Почти все известные науке белковые структуры были предсказаны с помощью AlphaFold AI

Модель AlphaFold, основанная на искусственном интеллекте, предсказала более 200 миллионов белков, почти все такие структуры, известные науке, сообщила DeepMind в четверг.

Белки представляют собой сложные биологические молекулы, производимые в живых организмах по инструкциям, хранящимся в ДНК. Изготовленные из 20 видов аминокислот, эти наноцепочки выполняют жизненно важные клеточные задачи, выполняя всевозможные функции организма. Знание трехмерной формы белков важно, поскольку их физическая структура дает представление о том, как они ведут себя и для какой цели служат, что помогает нам делать такие вещи, как разработка лекарств и создание подражательных белков для тех, у кого их нет.

Некоторые белки полезны, например, те, что участвуют в переваривании пищи, в то время как другие могут быть вредными, например, те, которые участвуют в росте опухолей. Однако разобраться в их сложных извилистых формах сложно. Молекулярные биологи могут потратить годы на проведение экспериментов по расшифровке структуры белка, а AlphaFold может сделать это за считанные минуты, в зависимости от размера молекулы и аминокислотного состава. 

AlphaFold был обучен сотням тысяч известных белковых структур и изучил взаимосвязь между составляющими аминокислотами и конечными общими формами. Учитывая произвольную входную аминокислотную последовательность, модель может предсказать трехмерную структуру белка. Теперь модель предсказала почти все структуры белков, известные науке.

Работая вместе с Европейским институтом биоинформатики, DeepMind расширила свою База данных по структуре белков AlphaFold содержать более 200 миллионов трехмерных форм белков от животных до растений, от бактерий до вирусов — увеличение более чем в 3 раз с почти миллиона молекул до как минимум 200 миллионов молекул всего за год.

«Мы надеялись, что этот новаторский ресурс поможет ускорить научные исследования и открытия во всем мире, и что другие команды смогут извлечь уроки и использовать достижения, достигнутые нами с помощью AlphaFold, для дальнейших прорывов», — Демис Хассибис, соучредитель и генеральный директор DeepMind, — сказал в заявлении в четверг.

«Эта надежда стала реальностью гораздо быстрее, чем мы осмеливались мечтать. Всего двенадцать месяцев спустя к AlphaFold получили доступ более полумиллиона исследователей, и они использовались для ускорения прогресса в решении важных реальных проблем, начиная от загрязнения пластиком и заканчивая устойчивостью к антибиотикам».

Регистр обратился к DeepMind за дополнительными комментариями. 

AlphaFold также продемонстрировал большой потенциал для разработки новых лекарств. Структуры помогают ученым выяснить химические соединения, которые могут связываться с белками-мишенями для лечения или предотвращения выполнения ими патологических функций. Компании, включая Insilco Medicine, экспериментировал с моделью открывать новые наркотики; Об этом сообщил генеральный директор Алексей Жаворонков. Регистр что этот процесс намного сложнее, чем вы думаете, и включает в себя несколько шагов.

Неясно, насколько точны прогнозы AlphaFold. Лентообразная структура белка часто меняет форму, когда он взаимодействует с лекарством, в чем AlphaFold не может помочь ученым, поскольку он не обучен этому. Жаворонков сказал, что модель является «довольно выдающимся прорывом», но с осторожностью относился ко всей этой шумихе. 

«Пока мы не увидим структуру новой мишени при большом заболевании, полученную с помощью AlphaFold без каких-либо дополнительных экспериментов, молекула, разработанная с использованием ИИ или других методов, с использованием этой предсказанной структуры, полностью синтезирована и протестирована, а затем опубликована в высоком журнале. – [мы можем] тогда праздновать».

Крупные фармацевты хотят, чтобы молекулы, созданные с помощью инструментов искусственного интеллекта, таких как AlphaFold, действительно тестировались на мышах и людях. «Чисто алгоритмические достижения не представляют ценности для фармкомпаний и тем более для пациентов», — добавил Жаворонков.

Фабио Урбина, старший научный сотрудник Collaboration Pharmaceuticals, стартапа, использующего алгоритмы машинного обучения для разработки лекарств от редких генетических заболеваний, сказал, что AlphaFold еще не доказал свою полезность в его исследованиях. Урбина использует другую технику и больше фокусируется на структуре потенциального нового лекарства, а не на целевом белке.

Пока неясно, будут ли белковые структуры достаточно полезны… чтобы помочь нам открыть новые потенциальные лекарства от редких заболеваний.

«Это по нескольким причинам; Структуры белков для многих мишеней для лекарств часто были недоступны для исследователей, и информация о белках, похоже, не помогала ранним моделям машинного обучения значительно улучшить их предсказательную силу», — сказал он. Регистр.

«Я с осторожным оптимизмом смотрю на то, что AlphaFold, по сути, «решила» первую проблему, но еще предстоит увидеть, будут ли белковые структуры достаточно полезны для нашего дальнейшего применения для улучшения прогностической способности машинного обучения, чтобы помочь нам открывать новые потенциальные лекарства. для редких заболеваний. Однако мы все чаще видим, что информация о структуре белка принимается во внимание как часть новых методов машинного обучения, и мы думали о том, чтобы сделать то же самое».

По словам Урбины, создание базы данных почти со всеми известными структурами белков, как обещала DeepMind, означает, что больше ученых будут иметь ресурсы для экспериментов и создания более мощных моделей ИИ. «Я настроен с осторожным оптимизмом, но, имея всю доступную библиотеку белковых структур, я бы сказал, что есть большая вероятность того, что структуры AlphaFold будут включены в некоторые из наших моделей машинного обучения и в конечном итоге могут помочь нам открыть новые терапевтические средства. ” ®