Nästan alla proteinstrukturer kända för vetenskapen förutspådde av AlphaFold AI

Den AI-drivna proteinvikningsmodellen AlphaFold har förutspått mer än 200 miljoner proteiner, nästan alla sådana strukturer kända för vetenskapen, sa DeepMind på torsdagen.

Proteiner är komplexa biologiska molekyler som produceras i levande organismer från instruktioner lagrade i DNA. Tillverkade av så många som 20 typer av aminosyror, dessa kedjor i nanoskala utför viktiga cellulära uppgifter för att utföra alla möjliga kroppsfunktioner. Att känna till den tredimensionella formen av proteiner är viktigt eftersom dess fysiska struktur ger tips om hur det beter sig och vilket syfte det tjänar, vilket hjälper oss att göra saker som att utveckla läkemedel och skapa copycat-proteiner för dem som saknar dem.

Vissa proteiner är användbara, som de som är involverade i att smälta mat medan andra kan vara skadliga, som de som är involverade i tillväxten av tumörer. Att räkna ut deras komplicerade slingriga former är dock svårt. Molekylärbiologer kan ägna flera år åt att genomföra experiment för att dechiffrera ett proteins struktur, och AlphaFold kan göra detta på några minuter, beroende på hur stor molekylen är, från aminosyrasammansättningen. 

AlphaFold tränades på hundratusentals kända proteinstrukturer och lärde sig sambanden mellan de ingående aminosyrorna och de slutliga övergripande formerna. Givet en godtycklig ingångsaminosyrasekvens kan modellen förutsäga en 3D-proteinstruktur. Nu har modellen förutspått nästan alla proteinstrukturer kända för vetenskapen.

Tillsammans med European Bioinformatics Institute har DeepMind utökat sitt AlphaFold Protein Structure Database att innehålla över 200 miljoner 3D-former av proteiner från djur till växter, bakterier till virus – en ökning med mer än 200 gånger från nästan en miljon molekyler till minst 200 miljoner molekyler på bara ett år.

"Vi hoppades att denna banbrytande resurs skulle hjälpa till att påskynda vetenskaplig forskning och upptäckter globalt, och att andra team kunde lära av och bygga vidare på de framsteg vi gjort med AlphaFold för att skapa ytterligare genombrott," Demis Hassibis, DeepMinds medgrundare och VD, sade i ett uttalande torsdag.

”Det hoppet har blivit verklighet mycket snabbare än vi hade vågat drömma om. Bara tolv månader senare har AlphaFold nåtts av mer än en halv miljon forskare och använts för att påskynda framstegen med viktiga verkliga problem, allt från plastföroreningar till antibiotikaresistens.”

Registret har bett DeepMind för ytterligare kommentar. 

AlphaFold har också visat stor potential för att designa nya läkemedel. Strukturerna hjälper forskare att ta reda på kemiska föreningar som kan binda till målproteiner för att behandla eller förhindra dem från att utföra patologiska funktioner. Företag inklusive Insilco Medicine har experimente med modellen för att upptäcka nya läkemedel; VD Alex Zhavoronkov berättade Registret att processen är mycket mer komplicerad än man kan tro, och omfattar flera steg.

Det är inte klart hur helt exakta AlphaFolds förutsägelser är. Ett proteins bandliknande struktur ändrar ofta form när det interagerar med ett läkemedel, något AlphaFold inte kan hjälpa forskare med eftersom det inte är utbildat i det. Zhavoronkov sa att modellen är ett "ganska anmärkningsvärt genombrott" men var försiktig med all hype. 

"Tills vi ser en struktur för ett nytt mål i en stor sjukdom som erhållits via AlphaFold utan några ytterligare experiment, en molekyl designad med AI - eller andra metoder - med denna förutspådda struktur, syntetiserad och testad hela vägen och sedan publicerad i en hög tidskrift – [vi kan] sedan fira.

Big pharma vill se molekyler designade med hjälp av AI-verktyg som AlphaFold faktiskt testade på möss och människor. "Rena algoritmiska prestationer är inte värdefulla för läkemedelsföretagen och särskilt för patienterna," tillade Zhavoronkov.

Fabio Urbina, senior forskare vid Collaboration Pharmaceuticals, en startup som använder maskinlärande algoritmer för att utveckla läkemedel för sällsynta genetiska sjukdomar, sa att AlphaFold ännu inte har visat sig vara användbar i sin forskning. Urbina använder en annan teknik och fokuserar mer på strukturen av ett potentiellt nytt läkemedel snarare än ett målprotein.

Det har ännu inte visat sig om proteinstrukturerna kommer att vara användbara nog ... för att hjälpa oss att upptäcka nya potentiella läkemedel för sällsynta sjukdomar

"Detta är av några anledningar; proteinstrukturerna för många läkemedelsmål var ofta inte lättillgängliga för forskare att använda, och proteininformation verkade inte hjälpa de tidiga maskininlärningsmodellerna att förbättra sin prediktiva kraft med en betydande marginal, säger han. Registret.

"Jag är försiktigt optimistisk att AlphaFold i princip har "löst" det första problemet, men det har ännu inte visat sig om proteinstrukturerna kommer att vara användbara nog för vår nedströms tillämpning av förbättrad maskinlärande prediktiv kraft för att hjälpa oss att upptäcka nya potentiella läkemedel för sällsynta sjukdomar. Men vi har i allt högre grad sett proteinstrukturinformation tas i beaktande som en del av nyare maskininlärningsmetoder, och vi har funderat på att göra detsamma.

Att göra en databas med nästan alla kända proteinstrukturer tillgängliga, som DeepMind har lovat, innebär att fler forskare kommer att ha resurserna att experimentera och bygga mer kraftfulla AI-modeller, sa Urbina. "Jag är försiktigt optimistisk, men med hela biblioteket av proteinstrukturer tillgängligt, skulle jag säga att det finns en god chans att AlphaFold-strukturer kommer att införlivas i några av våra maskininlärningsmodeller och i slutändan kan hjälpa oss att upptäcka nya terapier. ” ®