Майже всі білкові структури, відомі науці, передбачені AlphaFold AI

За словами DeepMind у четвер, модель згортання білка AlphaFold на основі штучного інтелекту передбачила понад 200 мільйонів білків, майже всі подібні структури, відомі науці.

Білки - це складні біологічні молекули, що виробляються в живих організмах за інструкціями, що зберігаються в ДНК. Складені з 20 типів амінокислот, ці нанорозмірні ланцюги виконують життєво важливі клітинні завдання для виконання всіх видів функцій організму. Знати тривимірну форму білків важливо, оскільки їх фізична структура дає натяки на те, як вони поводяться та якій меті служать, що допомагає нам робити такі речі, як розробка ліків і створення білків-копій для тих, у кого їх немає.

Деякі білки корисні, наприклад ті, що беруть участь у перетравленні їжі, тоді як інші можуть бути шкідливими, наприклад ті, що беруть участь у зростанні пухлин. Однак важко визначити їх складні звивисті форми. Молекулярні біологи можуть проводити роки, проводячи експерименти, щоб розшифрувати структуру білка, і AlphaFold може зробити це за лічені хвилини, залежно від того, наскільки велика молекула, від складу амінокислот. 

AlphaFold навчався на сотнях тисяч відомих білкових структур і вивчив взаємозв’язки між складовими амінокислотами та остаточними загальними формами. Враховуючи довільну вхідну послідовність амінокислот, модель може передбачити тривимірну структуру білка. Тепер модель передбачила майже всі білкові структури, відомі науці.

Працюючи разом з Європейським інститутом біоінформатики, DeepMind розширив його База даних структури білка AlphaFold містити понад 200 мільйонів 3D-форм білків від тварин до рослин, бактерій і вірусів – збільшення більш ніж у 200 разів з майже мільйона молекул до принаймні 200 мільйонів молекул лише за рік.

«Ми сподівалися, що цей новаторський ресурс допоможе пришвидшити наукові дослідження та відкриття в усьому світі, і що інші команди зможуть вчитися та розвивати досягнення, яких ми досягли з AlphaFold, щоб створити подальші прориви», – Деміс Хассібіс, співзасновник і генеральний директор DeepMind, сказав у заяві в четвер.

«Ця надія стала реальністю набагато швидше, ніж ми сміли мріяти. Всього через дванадцять місяців до AlphaFold звернулися більше півмільйона дослідників і використовували його для прискорення прогресу в важливих реальних проблемах, починаючи від забруднення пластиком і закінчуючи стійкістю до антибіотиків».

Реєстр звернувся до DeepMind за подальшим коментарем. 

AlphaFold також продемонстрував великий потенціал для розробки нових ліків. Ці структури допомагають вченим з’ясувати хімічні сполуки, які можуть зв’язуватися з цільовими білками, щоб лікувати або запобігати їм у виконанні патологічних функцій. Компанії, зокрема Insilco Medicine, мають експериментував за допомогою моделі відкривати нові ліки; Про це розповів генеральний директор Олексій Жаворонков Реєстр що процес набагато складніший, ніж ви думаєте, і складається з кількох етапів.

Неясно, наскільки точні прогнози AlphaFold. Стрічкоподібна структура білка часто змінює форму, коли він взаємодіє з ліками, у чому AlphaFold не може допомогти вченим, оскільки не навчений цьому. Жаворонков сказав, що ця модель є «досить визначним проривом», але насторожено ставиться до ажіотажу. 

«Поки ми не побачимо структуру для нової мішені у великій хворобі, отриманої за допомогою AlphaFold без будь-яких додаткових експериментів, молекула, розроблена за допомогою штучного інтелекту — або інших методів — з використанням цієї передбаченої структури, синтезована та перевірена на всьому шляху, а потім опублікована у високому журналі. – [ми можемо] тоді святкувати».

Великі фармацевтичні компанії хочуть, щоб молекули, розроблені за допомогою таких інструментів штучного інтелекту, як AlphaFold, фактично тестувалися на мишах і людях. «Чисті алгоритмічні досягнення не мають цінності для фармкомпаній і особливо для пацієнтів», — додав Жаворонков.

Фабіо Урбіна, старший науковий співробітник Collaboration Pharmaceuticals, стартапу, який використовує алгоритми машинного навчання для розробки ліків від рідкісних генетичних захворювань, сказав, що AlphaFold ще не виявився корисним у його дослідженнях. Urbina використовує іншу техніку та зосереджується більше на структурі потенційного нового препарату, а не на цільовому білку.

Ще невідомо, чи будуть білкові структури достатньо корисними… щоб допомогти нам відкрити нові потенційні ліки від рідкісних захворювань

«Це з кількох причин; структури білків для багатьох мішеней ліків часто були важкодоступними для дослідників, а інформація про білки, здавалося, не допомогла раннім моделям машинного навчання покращити свою прогностичну здатність значною мірою», — сказав він. Реєстр.

«Я обережно оптимістично налаштований, що AlphaFold по суті «вирішив» першу проблему, але ще невідомо, чи будуть білкові структури достатньо корисними для нашого подальшого застосування вдосконалення передбачуваної здатності машинного навчання, щоб допомогти нам відкрити нові потенційні ліки. для рідкісних захворювань. Проте ми все частіше спостерігаємо, як структурна інформація про білки враховується як частина нових методів машинного навчання, і ми думали про те саме».

Створення бази даних із майже всіма відомими білковими структурами, як обіцяв DeepMind, означає, що більше вчених матиме ресурси для експериментів і створення більш потужних моделей ШІ, сказав Урбіна. «Я обережно оптимістично налаштований, але з наявною цілою бібліотекою білкових структур, я б сказав, що існує хороший шанс, що структури AlphaFold будуть включені в деякі з наших моделей машинного навчання і, зрештою, можуть допомогти нам відкрити нові терапевтичні засоби. » ®