Quase todas as estruturas de proteínas conhecidas pela ciência previstas pelo AlphaFold AI

O modelo de dobramento de proteínas com inteligência artificial AlphaFold previu mais de 200 milhões de proteínas, quase todas essas estruturas conhecidas pela ciência, disse a DeepMind na quinta-feira.

As proteínas são moléculas biológicas complexas produzidas em organismos vivos a partir de instruções armazenadas no DNA. Feitas de até 20 tipos de aminoácidos, essas cadeias em nanoescala realizam tarefas celulares vitais para realizar todos os tipos de funções corporais. Conhecer a forma tridimensional das proteínas é importante, pois sua estrutura física fornece dicas de como ela se comporta e para que serve, o que nos ajuda a fazer coisas como desenvolver drogas e criar proteínas imitadoras para aqueles que não as possuem.

Algumas proteínas são úteis, como aquelas envolvidas na digestão de alimentos, enquanto outras podem ser prejudiciais, como aquelas envolvidas no crescimento de tumores. Descobrir suas formas complicadas e sinuosas, no entanto, é difícil. Os biólogos moleculares podem passar anos realizando experimentos para decifrar a estrutura de uma proteína, e o AlphaFold pode fazer isso em minutos, dependendo do tamanho da molécula, a partir da composição de aminoácidos. 

O AlphaFold foi treinado em centenas de milhares de estruturas de proteínas conhecidas e aprendeu as relações entre os aminoácidos constituintes e as formas gerais finais. Dada uma sequência de aminoácidos de entrada arbitrária, o modelo pode prever uma estrutura de proteína 3D. Agora, o modelo previu quase todas as estruturas de proteínas conhecidas pela ciência.

Trabalhando em conjunto com o Instituto Europeu de Bioinformática, a DeepMind expandiu sua Banco de dados de estrutura de proteínas AlphaFold conter mais de 200 milhões de formas 3D de proteínas de animais a plantas, bactérias a vírus – um aumento de mais de 200 vezes de quase um milhão de moléculas para pelo menos 200 milhões de moléculas em apenas um ano.

“Esperávamos que esse recurso inovador ajudasse a acelerar a pesquisa científica e a descoberta globalmente, e que outras equipes pudessem aprender e aproveitar os avanços que fizemos com o AlphaFold para criar mais avanços”, Demis Hassibis, cofundador e CEO da DeepMind, dito em comunicado na quinta-feira.

“Essa esperança se tornou uma realidade muito mais rápido do que ousávamos sonhar. Apenas doze meses depois, o AlphaFold foi acessado por mais de meio milhão de pesquisadores e usado para acelerar o progresso em importantes problemas do mundo real, desde poluição plástica até resistência a antibióticos.”

O registro pediu mais comentários à DeepMind. 

O AlphaFold também mostrou grande potencial para projetar novos medicamentos. As estruturas ajudam os cientistas a descobrir compostos químicos que podem se ligar a proteínas-alvo para tratá-las ou impedi-las de realizar funções patológicas. Empresas como a Insilco Medicine têm experimentado com o modelo para descobrir novas drogas; O CEO Alex Zhavoronkov disse O registro que o processo é muito mais complicado do que você imagina e envolve várias etapas.

Não está claro o quão precisas são as previsões do AlphaFold. A estrutura em fita de uma proteína geralmente muda de forma quando interage com uma droga, algo que o AlphaFold não pode ajudar os cientistas, pois não é treinado para isso. Zhavoronkov disse que o modelo é um “avanço bastante notável”, mas estava cauteloso com todo o hype. 

“Até vermos uma estrutura para um novo alvo em uma grande doença obtida via AlphaFold sem nenhum experimento adicional, uma molécula projetada usando IA – ou outros métodos – usando essa estrutura prevista, sintetizada e testada até o fim e depois publicada em um jornal de alta qualidade – [podemos] então comemorar.”

As grandes empresas farmacêuticas querem ver moléculas projetadas com a ajuda de ferramentas de IA como AlphaFold realmente testadas em camundongos e humanos. “Conquistas algorítmicas puras não são valiosas para as empresas farmacêuticas e especialmente para os pacientes”, acrescentou Zhavoronkov.

Fabio Urbina, cientista sênior da Collaboration Pharmaceuticals, uma startup que usa algoritmos de aprendizado de máquina para desenvolver medicamentos para doenças genéticas raras, disse que o AlphaFold ainda não provou ser útil em sua pesquisa. Urbina usa uma técnica diferente e se concentra mais na estrutura de um novo medicamento em potencial do que em uma proteína-alvo.

Ainda não se sabe se as estruturas das proteínas serão úteis o suficiente … para nos ajudar a descobrir novos medicamentos potenciais para doenças raras

“Isto é por algumas razões; as estruturas de proteínas para muitos alvos de drogas muitas vezes não estavam facilmente disponíveis para os pesquisadores usarem, e as informações sobre proteínas não pareciam ajudar os primeiros modelos de aprendizado de máquina a melhorar seu poder preditivo por uma margem significativa ”, disse ele. O registro.

“Estou cautelosamente otimista de que o AlphaFold essencialmente 'resolveu' o primeiro problema, mas ainda não se sabe se as estruturas das proteínas serão úteis o suficiente para nossa aplicação a jusante de melhorar o poder preditivo do aprendizado de máquina para nos ajudar a descobrir novos medicamentos em potencial. para doenças raras. No entanto, temos visto cada vez mais informações estruturais de proteínas sendo levadas em consideração como parte de métodos mais recentes de aprendizado de máquina, e pensamos em fazer o mesmo.”

Disponibilizar um banco de dados com quase todas as estruturas de proteínas conhecidas, como a DeepMind prometeu, significa que mais cientistas terão recursos para experimentar e construir modelos de IA mais poderosos, disse Urbina. “Estou cautelosamente otimista, mas com toda a biblioteca de estruturas de proteínas disponíveis, eu diria que há uma boa chance de que as estruturas AlphaFold sejam incorporadas em alguns de nossos modelos de aprendizado de máquina e possam nos ajudar a descobrir novas terapêuticas. ” ®