Nesten alle proteinstrukturer kjent for vitenskapen spådd av AlphaFold AI

Den AI-drevne proteinfoldingsmodellen AlphaFold har spådd mer enn 200 millioner proteiner, nesten alle slike strukturer kjent for vitenskapen, sa DeepMind torsdag.

Proteiner er komplekse biologiske molekyler produsert i levende organismer fra instruksjoner lagret i DNA. Laget av så mange som 20 typer aminosyrer, utfører disse kjedene i nanoskala viktige cellulære oppgaver for å utføre alle slags kroppsfunksjoner. Å kjenne den tredimensjonale formen til proteiner er viktig siden dens fysiske struktur gir hint om hvordan det oppfører seg, og hvilket formål det tjener, noe som hjelper oss å gjøre ting som å utvikle medisiner og lage kopiproteiner for de som mangler dem.

Noen proteiner er nyttige, for eksempel de som er involvert i å fordøye mat, mens andre kan være skadelige, for eksempel de som er involvert i veksten av svulster. Det er imidlertid vanskelig å finne ut av deres kompliserte slingrende former. Molekylærbiologer kan bruke år på å utføre eksperimenter for å tyde et proteins struktur, og AlphaFold kan gjøre dette på minutter, avhengig av hvor stort molekylet er, fra aminosyresammensetningen. 

AlphaFold ble trent på hundretusenvis av kjente proteinstrukturer, og lærte forholdet mellom de inngående aminosyrene og de endelige generelle formene. Gitt en vilkårlig inngangsaminosyresekvens, kan modellen forutsi en 3D-proteinstruktur. Nå har modellen spådd nesten alle proteinstrukturer kjent for vitenskapen.

I samarbeid med European Bioinformatics Institute har DeepMind utvidet sin AlphaFold Protein Structure Database å inneholde over 200 millioner 3D-former av proteiner fra dyr til planter, bakterier til virus – en økning på mer enn 200 ganger fra nesten en million molekyler til minst 200 millioner molekyler på bare ett år.

"Vi håpet at denne banebrytende ressursen ville bidra til å akselerere vitenskapelig forskning og oppdagelser globalt, og at andre team kunne lære av og bygge videre på fremskrittene vi gjorde med AlphaFold for å skape ytterligere gjennombrudd," Demis Hassibis, DeepMinds medgründer og administrerende direktør, sa i en uttalelse torsdag.

«Det håpet har blitt en realitet langt raskere enn vi hadde våget å drømme. Bare tolv måneder senere har mer enn en halv million forskere fått tilgang til AlphaFold og brukes til å akselerere fremgang på viktige problemer i den virkelige verden, fra plastforurensning til antibiotikaresistens.»

Registeret har bedt DeepMind om ytterligere kommentar. 

AlphaFold har også vist stort potensial for å designe nye legemidler. Strukturene hjelper forskere med å finne ut kjemiske forbindelser som kan binde seg til målproteiner for å behandle eller forhindre dem i å utføre patologiske funksjoner. Selskaper inkludert Insilco Medicine har eksperiment med modellen for å oppdage nye stoffer; Det fortalte administrerende direktør Alex Zhavoronkov Registeret at prosessen er mye mer komplisert enn du kanskje tror, ​​og involverer flere trinn.

Det er ikke klart hvor nøyaktig AlphaFolds spådommer er. Et proteins båndlignende struktur endrer ofte form når det interagerer med et medikament, noe AlphaFold ikke kan hjelpe forskere med siden det ikke er trent på det. Zhavoronkov sa at modellen er et "ganske bemerkelsesverdig gjennombrudd", men var på vakt mot all hypen. 

"Inntil vi ser en struktur for et nytt mål i en stor sykdom oppnådd via AlphaFold uten noen ekstra eksperimenter, et molekyl designet ved hjelp av AI - eller andre metoder - ved å bruke denne forutsagte strukturen, syntetisert og testet hele veien og deretter publisert i et høyt tidsskrift – Da kan vi feire.

Big pharma ønsker å se molekyler designet ved hjelp av AI-verktøy som AlphaFold faktisk testet på mus og mennesker. "Rene algoritmiske prestasjoner er ikke verdifulle for farmaselskapene og spesielt for pasientene," la Zhavoronkov til.

Fabio Urbina, seniorforsker ved Collaboration Pharmaceuticals, en oppstart som bruker maskinlæringsalgoritmer for å utvikle medisiner for sjeldne genetiske sykdommer, sa at AlphaFold ennå ikke har vist seg å være nyttig i sin forskning. Urbina bruker en annen teknikk og fokuserer mer på strukturen til et potensielt nytt medikament i stedet for et målprotein.

Det er ennå ikke sett om proteinstrukturene vil være nyttige nok … til å hjelpe oss med å oppdage nye potensielle medisiner for sjeldne sykdommer

«Dette er av noen få grunner; proteinstrukturene for mange medikamentmål var ofte ikke lett tilgjengelige for forskere å bruke, og proteininformasjon så ikke ut til å hjelpe de tidlige maskinlæringsmodellene med å forbedre sin prediksjonsevne med en betydelig margin, sa han. Registeret.

"Jeg er forsiktig optimist på at AlphaFold i hovedsak har 'løst' det første problemet, men det har ennå ikke blitt sett om proteinstrukturene vil være nyttige nok for vår nedstrømsapplikasjon for å forbedre maskinlæringsprediktiv kraft for å hjelpe oss med å oppdage nye potensielle medisiner for sjeldne sykdommer. Imidlertid har vi i økende grad sett proteinstrukturinformasjon tatt i betraktning som en del av nyere maskinlæringsmetoder, og vi har tenkt på å gjøre det samme.»

Å lage en database med nesten alle kjente proteinstrukturer tilgjengelig, som DeepMind har lovet, betyr at flere forskere vil ha ressursene til å eksperimentere og bygge kraftigere AI-modeller, sa Urbina. "Jeg er forsiktig optimist, men med hele biblioteket av proteinstrukturer tilgjengelig, vil jeg si at det er en god sjanse for at AlphaFold-strukturer vil bli inkorporert i noen av våre maskinlæringsmodeller, og til slutt kan hjelpe oss med å oppdage nye terapeutiske midler. ” ®