AlphaFold AI tarafından tahmin edilen, bilim tarafından bilinen neredeyse tüm protein yapıları

DeepMind Perşembe günü yaptığı açıklamada, AI destekli protein katlama modeli AlphaFold'un bilim tarafından bilinen neredeyse tüm bu tür yapılar olan 200 milyondan fazla protein öngördüğünü söyledi.

Proteinler, canlı organizmalarda DNA'da depolanan talimatlardan üretilen karmaşık biyolojik moleküllerdir. 20 çeşit amino asitten oluşan bu nano ölçekli zincirler, her türlü vücut fonksiyonunu yerine getirmek için hayati hücresel görevleri yerine getirir. Proteinlerin üç boyutlu formunu bilmek önemlidir, çünkü fiziksel yapısı nasıl davrandığına ve hangi amaca hizmet ettiğine dair ipuçları verir, bu da bize ilaç geliştirmek, eksik olanlar için taklit proteinler oluşturmak gibi şeyler yapmamıza yardımcı olur.

Yiyeceklerin sindirilmesinde rol oynayanlar gibi bazı proteinler yararlıyken, tümörlerin büyümesinde rol oynayanlar gibi diğerleri zararlı olabilir. Ancak karmaşık, kıvrımlı şekillerini anlamak zordur. Moleküler biyologlar, bir proteinin yapısını çözmek için deneyler yapmak için yıllarını harcayabilirler ve AlphaFold, amino asit bileşiminden molekülün büyüklüğüne bağlı olarak bunu dakikalar içinde yapabilir. 

AlphaFold, yüz binlerce bilinen protein yapısı üzerinde eğitildi ve kurucu amino asitler ile nihai genel şekiller arasındaki ilişkileri öğrendi. Rastgele bir girdi amino asit dizisi verildiğinde, model bir 3D protein yapısını tahmin edebilir. Şimdi, model bilim tarafından bilinen neredeyse tüm protein yapılarını öngördü.

Avrupa Biyoinformatik Enstitüsü ile birlikte çalışan DeepMind, AlphaFold Protein Yapısı Veritabanı hayvanlardan bitkilere, bakterilerden virüslere 200 milyondan fazla 3D protein şekli içermek – sadece bir yılda yaklaşık bir milyon molekülden en az 200 milyon moleküle 200 kattan fazla bir artış.

DeepMind'ın kurucu ortağı ve CEO'su Demis Hassibis, "Bu çığır açıcı kaynağın küresel çapta bilimsel araştırma ve keşifleri hızlandırmaya yardımcı olacağını ve diğer ekiplerin AlphaFold ile yaptığımız ilerlemelerden ders alıp daha fazla atılım yaratmak için geliştirebileceklerini umuyorduk" dedi. şuraya Perşembe günü yaptığı açıklamada.

“Bu umut, hayal etmeye cesaret ettiğimizden çok daha hızlı bir şekilde gerçeğe dönüştü. Sadece on iki ay sonra, AlphaFold'a yarım milyondan fazla araştırmacı erişti ve plastik kirliliğinden antibiyotik direncine kadar gerçek dünyadaki önemli sorunlarda ilerlemeyi hızlandırmak için kullanıldı."

Kayıt DeepMind'den daha fazla yorum istedi. 

AlphaFold ayrıca yeni ilaçlar tasarlamak için büyük bir potansiyel göstermiştir. Yapılar, bilim adamlarının, hedef proteinlere bağlanabilen ve onları patolojik işlevleri yerine getirmelerini önleyen veya tedavi eden kimyasal bileşikleri bulmalarına yardımcı olur. Insilco Medicine dahil olmak üzere şirketler, tecrübe yeni ilaçlar keşfetmek için model ile; CEO Alex Zhavoronkov söyledi Kayıt sürecin düşündüğünüzden çok daha karmaşık olduğunu ve birkaç adım içerdiğini.

AlphaFold'un tahminlerinin ne kadar doğru olduğu belli değil. Bir proteinin şerit benzeri yapısı, bir ilaçla etkileşime girdiğinde sıklıkla şekil değiştirir; AlphaFold, bu konuda eğitim almadığı için bilim adamlarına bu konuda yardımcı olamaz. Zhavoronkov, modelin "oldukça dikkate değer bir atılım" olduğunu ancak tüm bu abartılara karşı temkinli davrandığını söyledi. 

"AlphaFold aracılığıyla herhangi bir ek deney olmaksızın elde edilen büyük bir hastalıkta yeni bir hedef için bir yapı görene kadar, bu öngörülen yapıyı kullanarak yapay zeka veya başka yöntemler kullanılarak tasarlanan, sentezlenen, test edilen ve ardından yüksek bir dergide yayınlanan bir molekül – [yapabiliriz] o zaman kutlayabiliriz.”

Büyük ilaç firmaları, AlphaFold gibi yapay zeka araçlarının yardımıyla tasarlanan moleküllerin farelerde ve insanlarda gerçekten test edildiğini görmek istiyor. Zhavoronkov, "Saf algoritmik başarıların ilaç şirketleri ve özellikle hastalar için hiçbir değeri yok" diye ekledi.

Nadir genetik hastalıklara yönelik ilaçlar geliştirmek için makine öğrenimi algoritmalarını kullanan bir girişim olan Collaboration Pharmaceuticals'da kıdemli bir bilim adamı olan Fabio Urbina, AlphaFold'un araştırmasında henüz yararlı olduğunu kanıtlamadığını söyledi. Urbina farklı bir teknik kullanıyor ve hedef proteinden çok potansiyel yeni ilacın yapısına odaklanıyor.

Protein yapılarının, nadir hastalıklara yönelik yeni potansiyel ilaçları keşfetmemize yardımcı olacak kadar yararlı olup olmayacağı henüz bilinmiyor.

“Bunun birkaç nedeni var; Pek çok ilaç hedefinin protein yapıları çoğu zaman araştırmacıların kullanımına kolaylıkla sunulamıyordu ve protein bilgileri, ilk makine öğrenimi modellerinin öngörücü güçlerini önemli bir oranda artırmasına yardımcı olmuyordu" dedi. Kayıt.

"AlphaFold'un esasen ilk sorunu 'çözdüğü' konusunda ihtiyatlı bir iyimserim, ancak protein yapılarının, yeni potansiyel ilaçları keşfetmemize yardımcı olacak makine öğreniminin tahmin gücünü iyileştirme yönündeki alt uygulamamız için yeterince yararlı olup olmayacağı henüz görülmedi. nadir hastalıklar için. Bununla birlikte, yeni makine öğrenimi yöntemlerinin bir parçası olarak protein yapısal bilgilerinin giderek daha fazla dikkate alındığını gördük ve biz de aynısını yapmayı düşündük."

Urbina, DeepMind'ın söz verdiği gibi, neredeyse bilinen tüm protein yapılarını içeren bir veritabanı oluşturmanın, daha fazla bilim insanının daha güçlü yapay zeka modellerini denemek ve oluşturmak için kaynaklara sahip olacağı anlamına geldiğini söyledi. "İhtiyatlı bir şekilde iyimserim, ancak tüm protein yapıları kütüphanesi mevcut olduğundan, AlphaFold yapılarının bazı makine öğrenimi modellerimize dahil edilmesi ve sonuçta yeni tedavi yöntemleri keşfetmemize yardımcı olması ihtimalinin yüksek olduğunu söyleyebilirim. ” ®