โครงสร้างโปรตีนเกือบทั้งหมดที่วิทยาศาสตร์รู้จักซึ่งทำนายโดย AlphaFold AI

แบบจำลองการพับโปรตีนที่ขับเคลื่อนโดย AI AlphaFold ได้ทำนายโปรตีนมากกว่า 200 ล้านตัว ซึ่งโครงสร้างดังกล่าวเกือบทั้งหมดรู้จักกันดีในทางวิทยาศาสตร์ DeepMind กล่าวเมื่อวันพฤหัสบดี

โปรตีนเป็นโมเลกุลทางชีววิทยาที่ซับซ้อนซึ่งผลิตขึ้นในสิ่งมีชีวิตจากคำสั่งที่เก็บไว้ใน DNA ทำจากกรดอะมิโนมากถึง 20 ชนิด สายโซ่ระดับนาโนเหล่านี้ทำหน้าที่เซลล์ที่สำคัญเพื่อทำหน้าที่ของร่างกายทุกประเภท การรู้จักรูปแบบสามมิติของโปรตีนมีความสำคัญเนื่องจากโครงสร้างทางกายภาพของมันให้คำแนะนำว่ามันทำงานอย่างไร และมีจุดประสงค์อะไร ซึ่งช่วยให้เราทำสิ่งต่างๆ เช่น พัฒนายา และสร้างโปรตีนเลียนแบบสำหรับผู้ที่ขาดโปรตีน

โปรตีนบางชนิดมีประโยชน์ เช่น โปรตีนที่เกี่ยวข้องกับการย่อยอาหาร ในขณะที่โปรตีนบางชนิดอาจเป็นอันตรายได้ เช่น โปรตีนที่เกี่ยวข้องกับการเติบโตของเนื้องอก อย่างไรก็ตาม การหารูปทรงบิดเบี้ยวที่ซับซ้อนนั้นเป็นเรื่องยาก นักชีววิทยาระดับโมเลกุลสามารถใช้เวลาหลายปีในการทดลองเพื่อถอดรหัสโครงสร้างของโปรตีน และ AlphaFold สามารถทำได้ภายในไม่กี่นาที ขึ้นอยู่กับขนาดของโมเลกุล จากองค์ประกอบของกรดอะมิโน 

AlphaFold ได้รับการฝึกอบรมเกี่ยวกับโครงสร้างโปรตีนที่รู้จักหลายแสนชนิด และได้เรียนรู้ความสัมพันธ์ระหว่างกรดอะมิโนที่เป็นส่วนประกอบและรูปร่างโดยรวมในขั้นสุดท้าย ด้วยลำดับกรดอะมิโนที่ป้อนเข้าโดยอำเภอใจ แบบจำลองสามารถทำนายโครงสร้างโปรตีน 3 มิติได้ ตอนนี้ แบบจำลองได้ทำนายโครงสร้างโปรตีนเกือบทั้งหมดที่วิทยาศาสตร์รู้จัก

การทำงานร่วมกับสถาบันชีวสารสนเทศแห่งยุโรป DeepMind ได้ขยาย ฐานข้อมูลโครงสร้างโปรตีน AlphaFold เพื่อให้มีโปรตีนรูปร่าง 200 มิติมากกว่า 3 ล้านรูปแบบตั้งแต่สัตว์สู่พืช แบคทีเรียไปจนถึงไวรัส - เพิ่มขึ้นมากกว่า 200 เท่าจากเกือบล้านโมเลกุลเป็นอย่างน้อย 200 ล้านโมเลกุลในเวลาเพียงปีเดียว

Demis Hassibis ผู้ร่วมก่อตั้งและ CEO ของ DeepMind กล่าวว่า "เราหวังว่าแหล่งข้อมูลที่ก้าวล้ำนี้จะช่วยเร่งการวิจัยและการค้นพบทางวิทยาศาสตร์ทั่วโลก และทีมอื่นๆ สามารถเรียนรู้และต่อยอดจากความก้าวหน้าที่เราทำกับ AlphaFold เพื่อสร้างความก้าวหน้าต่อไป กล่าวว่า ในแถลงการณ์เมื่อวันพฤหัสบดี

“ความหวังนั้นกลายเป็นความจริงเร็วกว่าที่เราเคยกล้าฝัน เพียงสิบสองเดือนต่อมา AlphaFold ได้รับการเข้าถึงโดยนักวิจัยมากกว่าครึ่งล้านคน และใช้เพื่อเร่งความก้าวหน้าในปัญหาที่สำคัญในโลกแห่งความเป็นจริง ตั้งแต่มลภาวะพลาสติกไปจนถึงการดื้อยาปฏิชีวนะ”

ลงทะเบียน ได้ถาม DeepMind เพื่อแสดงความคิดเห็นเพิ่มเติม 

AlphaFold ยังแสดงศักยภาพที่ดีในการออกแบบยาใหม่ โครงสร้างนี้ช่วยให้นักวิทยาศาสตร์ค้นพบสารประกอบทางเคมีที่สามารถจับกับโปรตีนเป้าหมาย เพื่อรักษาหรือป้องกันไม่ให้พวกมันทำหน้าที่ทางพยาธิวิทยา บริษัทต่างๆ รวมถึง Insilco Medicine มี ทดลอง กับต้นแบบการค้นพบยาตัวใหม่ ซีอีโอ Alex Zhavoronkov กล่าว ลงทะเบียน ว่ากระบวนการนี้ซับซ้อนกว่าที่คุณคิด และเกี่ยวข้องกับหลายขั้นตอน

ยังไม่ชัดเจนว่าการคาดการณ์ของ AlphaFold แม่นยำเพียงใด โครงสร้างคล้ายริบบิ้นของโปรตีนมักจะเปลี่ยนรูปร่างเมื่อทำปฏิกิริยากับยา ซึ่ง AlphaFold ไม่สามารถช่วยนักวิทยาศาสตร์ได้ เนื่องจากไม่ได้รับการฝึกฝนเรื่องนั้น Zhavoronkov กล่าวว่าโมเดลนี้เป็น "ความก้าวหน้าที่น่าทึ่งมาก" แต่ระวังโฆษณาทั้งหมด 

“จนกว่าเราจะเห็นโครงสร้างสำหรับเป้าหมายใหม่ในโรคขนาดใหญ่ที่ได้รับจาก AlphaFold โดยไม่ต้องทำการทดลองใดๆ เพิ่มเติม โมเลกุลที่ออกแบบโดยใช้ AI หรือวิธีการอื่นๆ โดยใช้โครงสร้างที่คาดการณ์ไว้นี้ สังเคราะห์และทดสอบทั้งหมดแล้วจึงตีพิมพ์ในวารสารระดับสูง – [เราสามารถ] จากนั้นเฉลิมฉลอง”

ร้านขายยารายใหญ่ต้องการเห็นโมเลกุลที่ออกแบบโดยใช้เครื่องมือ AI เช่น AlphaFold ที่ทดสอบจริงในหนูและมนุษย์ “ความสำเร็จของอัลกอริธึมที่บริสุทธิ์นั้นไม่มีค่าสำหรับบริษัทยาและโดยเฉพาะอย่างยิ่งกับผู้ป่วย” Zhavoronkov กล่าวเสริม

Fabio Urbina นักวิทยาศาสตร์อาวุโสที่ Collaboration Pharmaceuticals ซึ่งเป็นสตาร์ทอัพที่ใช้อัลกอริธึมการเรียนรู้ด้วยเครื่องเพื่อพัฒนายาสำหรับโรคทางพันธุกรรมที่หายาก กล่าวว่า AlphaFold ยังไม่ได้พิสูจน์ว่ามีประโยชน์ในการวิจัยของเขา Urbina ใช้เทคนิคที่แตกต่างออกไปและมุ่งเน้นที่โครงสร้างของยาใหม่ที่มีศักยภาพมากกว่าโปรตีนเป้าหมาย

ยังไม่เป็นที่ทราบแน่ชัดว่าโครงสร้างโปรตีนจะมีประโยชน์เพียงพอหรือไม่ … เพื่อช่วยให้เราค้นพบยาใหม่ที่มีศักยภาพสำหรับโรคหายาก

“นี่เป็นเหตุผลสองสามประการ โครงสร้างโปรตีนสำหรับเป้าหมายของยาจำนวนมากมักไม่ง่ายสำหรับนักวิจัยที่จะใช้ และข้อมูลโปรตีนดูเหมือนจะไม่ช่วยให้โมเดลการเรียนรู้ของเครื่องในระยะแรกปรับปรุงพลังการทำนายของพวกเขาด้วยอัตรากำไรขั้นต้นที่มีนัยสำคัญ” เขากล่าว ลงทะเบียน.

“ฉันมองโลกในแง่ดีอย่างระมัดระวังว่า AlphaFold ได้ 'แก้ไข' ปัญหาแรกไปแล้ว แต่ยังไม่เห็นว่าโครงสร้างโปรตีนจะมีประโยชน์เพียงพอสำหรับการประยุกต์ใช้ในการปรับปรุงพลังการทำนายของแมชชีนเลิร์นนิงเพื่อช่วยให้เราค้นพบยาที่มีศักยภาพใหม่ ๆ ได้หรือไม่ สำหรับโรคหายาก อย่างไรก็ตาม เราได้เห็นข้อมูลโครงสร้างโปรตีนเพิ่มมากขึ้นซึ่งเป็นส่วนหนึ่งของวิธีการเรียนรู้ด้วยเครื่องแบบใหม่ และเราก็คิดที่จะทำเช่นเดียวกันนี้”

การสร้างฐานข้อมูลที่มีโครงสร้างโปรตีนที่รู้จักเกือบทั้งหมดตามที่ DeepMind สัญญาไว้ หมายความว่านักวิทยาศาสตร์จำนวนมากขึ้นจะมีทรัพยากรในการทดลองและสร้างแบบจำลอง AI ที่มีประสิทธิภาพมากขึ้น Urbina กล่าว “ฉันมองโลกในแง่ดีอย่างระมัดระวัง แต่ด้วยคลังโครงสร้างโปรตีนทั้งหมดที่มีอยู่ ฉันจะบอกว่ามีโอกาสดีที่โครงสร้าง AlphaFold จะถูกรวมเข้าไว้ในแบบจำลองการเรียนรู้ด้วยเครื่องของเรา และอาจช่วยให้เราค้นพบการรักษาแบบใหม่ในท้ายที่สุด ” ®