Aproape toate structurile proteice cunoscute de știință sunt prezise de AlphaFold AI

Modelul AlphaFold de pliere a proteinelor alimentat de inteligență artificială a prezis mai mult de 200 de milioane de proteine, aproape toate astfel de structuri cunoscute științei, a spus DeepMind joi.

Proteinele sunt molecule biologice complexe produse în organismele vii din instrucțiuni stocate în ADN. Fabricate din până la 20 de tipuri de aminoacizi, aceste lanțuri la scară nanometrică îndeplinesc sarcini celulare vitale pentru a îndeplini tot felul de funcții ale corpului. Cunoașterea formei tridimensionale a proteinelor este importantă, deoarece structura sa fizică oferă indicii despre modul în care se comportă și ce scop servește, ceea ce ne ajută să facem lucruri cum ar fi să dezvoltăm medicamente și să creăm proteine ​​imitatoare pentru cei care le lipsesc.

Unele proteine ​​sunt utile, cum ar fi cele implicate în digestia alimentelor, în timp ce altele pot fi dăunătoare, cum ar fi cele implicate în creșterea tumorilor. Totuși, este dificil să-ți dai seama de formele lor complicate și ondulate. Biologii moleculari pot petrece ani de zile efectuând experimente pentru a descifra structura unei proteine, iar AlphaFold poate face acest lucru în câteva minute, în funcție de cât de mare este molecula, din compoziția de aminoacizi. 

AlphaFold a fost instruit pe sute de mii de structuri de proteine ​​cunoscute și a învățat relațiile dintre aminoacizii constituenți și formele generale finale. Având în vedere o secvență de aminoacizi de intrare arbitrară, modelul poate prezice o structură a proteinei 3D. Acum, modelul a prezis aproape toate structurile proteinelor cunoscute de știință.

Lucrând împreună cu Institutul European de Bioinformatică, DeepMind și-a extins Baza de date AlphaFold Structura proteinelor să conțină peste 200 de milioane de forme 3D de proteine ​​de la animale la plante, bacterii la viruși – o creștere de peste 200 de ori de la aproape un milion de molecule la cel puțin 200 de milioane de molecule într-un singur an.

„Speram că această resursă inovatoare va ajuta la accelerarea cercetării și descoperirilor științifice la nivel global și că alte echipe ar putea învăța din progresele pe care le-am făcut cu AlphaFold și să se bazeze pe acestea pentru a crea noi descoperiri”, Demis Hassibis, co-fondator și CEO al DeepMind, a spus într-o declarație de joi.

„Acea speranță a devenit o realitate mult mai repede decât am îndrăznit să visăm. Doar douăsprezece luni mai târziu, AlphaFold a fost accesat de peste jumătate de milion de cercetători și folosit pentru a accelera progresul în probleme importante din lumea reală, de la poluarea cu plastic până la rezistența la antibiotice.”

Registrul a cerut DeepMind comentarii suplimentare. 

AlphaFold a demonstrat, de asemenea, un mare potențial pentru proiectarea de noi medicamente. Structurile ajută oamenii de știință să descopere compuși chimici care se pot lega de proteinele țintă pentru a le trata sau a le împiedica să îndeplinească funcții patologice. Companii inclusiv Insilco Medicine au experimentat cu modelul de a descoperi noi medicamente; a spus CEO Alex Zhavoronkov Registrul că procesul este mult mai complicat decât ați putea crede și implică mai mulți pași.

Nu este clar cât de exacte sunt predicțiile AlphaFold. Structura de tip panglică a unei proteine ​​își schimbă adesea forma atunci când interacționează cu un medicament, lucru cu care AlphaFold nu poate ajuta oamenii de știință, deoarece nu este instruit în acest sens. Zhavoronkov a spus că modelul este o „recunoaștere destul de remarcabilă”, dar s-a ferit de tot hype-ul. 

„Până când vom vedea o structură pentru o țintă nouă într-o boală mare, obținută prin AlphaFold fără experimente suplimentare, o moleculă proiectată folosind AI – sau alte metode – folosind această structură prezisă, sintetizată și testată până la capăt și apoi publicată într-un jurnal de vârf. – [putem] atunci să sărbătorim.”

Marile companii farmaceutice doresc să vadă molecule concepute cu ajutorul instrumentelor AI precum AlphaFold testate efectiv pe șoareci și oameni. „Realizările algoritmice pure nu sunt valoroase pentru companiile farmaceutice și în special pentru pacienți”, a adăugat Zhavoronkov.

Fabio Urbina, om de știință senior la Collaboration Pharmaceuticals, un startup care folosește algoritmi de învățare automată pentru a dezvolta medicamente pentru boli genetice rare, a spus că AlphaFold nu s-a dovedit încă util în cercetarea sa. Urbina folosește o tehnică diferită și se concentrează mai mult pe structura unui potențial nou medicament decât pe o proteină țintă.

Nu a fost încă văzut dacă structurile proteinelor vor fi suficient de utile... pentru a ne ajuta să descoperim noi medicamente potențiale pentru bolile rare.

„Acest lucru este din câteva motive; structurile proteinelor pentru o mulțime de ținte de droguri nu erau adesea ușor disponibile de către cercetători, iar informațiile despre proteine ​​nu păreau să ajute modelele timpurii de învățare automată să își îmbunătățească puterea de predicție cu o marjă semnificativă”, a spus el. Registrul.

„Sunt optimist cu prudență că AlphaFold a „rezolvat” în esență prima problemă, dar încă nu a fost văzut dacă structurile proteinelor vor fi suficient de utile pentru aplicarea noastră din aval de îmbunătățire a puterii de predicție a învățării automate pentru a ne ajuta să descoperim noi medicamente potențiale. pentru boli rare. Cu toate acestea, am văzut din ce în ce mai mult informațiile structurale ale proteinelor luate în considerare ca parte a metodelor mai noi de învățare automată și ne-am gândit să facem același lucru.”

Realizarea unei baze de date cu aproape toate structurile de proteine ​​cunoscute disponibile, așa cum a promis DeepMind, înseamnă că mai mulți oameni de știință vor avea resursele pentru a experimenta și a construi modele AI mai puternice, a spus Urbina. „Sunt prudent optimist, dar cu întreaga bibliotecă de structuri de proteine ​​disponibilă, aș spune că există șanse mari ca structurile AlphaFold să fie încorporate în unele dintre modelele noastre de învățare automată și, în cele din urmă, ne pot ajuta să descoperim noi terapii. ” ®