Gần như tất cả các cấu trúc protein mà khoa học đã biết được dự đoán bởi AlphaFold AI

DeepMind cho biết vào thứ Năm, DeepMind cho biết, mô hình gấp protein được hỗ trợ bởi AI đã dự đoán hơn 200 triệu protein, gần như tất cả các cấu trúc như vậy được khoa học biết đến.

Protein là các phân tử sinh học phức tạp được tạo ra trong cơ thể sống từ các hướng dẫn được lưu trữ trong DNA. Được tạo ra từ 20 loại axit amin, các chuỗi quy mô nano này thực hiện các nhiệm vụ quan trọng của tế bào để thực hiện tất cả các loại chức năng của cơ thể. Biết được dạng ba chiều của protein là rất quan trọng vì cấu trúc vật lý của nó cung cấp các gợi ý về cách nó hoạt động và mục đích của nó, giúp chúng ta làm những việc như phát triển thuốc và tạo ra các protein sao chép cho những người thiếu chúng.

Một số protein hữu ích, chẳng hạn như những protein tham gia vào quá trình tiêu hóa thức ăn trong khi những protein khác có thể có hại, chẳng hạn như những protein liên quan đến sự phát triển của khối u. Tuy nhiên, việc tìm ra hình dạng uốn éo phức tạp của chúng rất khó. Các nhà sinh học phân tử có thể dành nhiều năm để tiến hành các thí nghiệm để giải mã cấu trúc của protein và AlphaFold có thể làm điều này trong vài phút, tùy thuộc vào kích thước của phân tử, từ thành phần axit amin. 

AlphaFold đã được đào tạo về hàng trăm nghìn cấu trúc protein đã biết, và học được mối quan hệ giữa các axit amin cấu thành và hình dạng tổng thể cuối cùng. Với trình tự axit amin đầu vào tùy ý, mô hình có thể dự đoán cấu trúc protein 3D. Giờ đây, mô hình này đã dự đoán gần như tất cả các cấu trúc protein mà khoa học đã biết.

Làm việc cùng với Viện Tin học Sinh học Châu Âu, DeepMind đã mở rộng Cơ sở dữ liệu cấu trúc protein AlphaFold chứa hơn 200 triệu hình dạng 3D của protein từ động vật đến thực vật, vi khuẩn đến vi rút - tăng hơn 200 lần từ gần một triệu phân tử lên ít nhất 200 triệu phân tử chỉ trong một năm.

“Chúng tôi hy vọng nguồn tài nguyên đột phá này sẽ giúp đẩy nhanh quá trình nghiên cứu và khám phá khoa học trên toàn cầu, đồng thời các nhóm khác có thể học hỏi và xây dựng dựa trên những tiến bộ mà chúng tôi đã thực hiện với AlphaFold để tạo ra những đột phá hơn nữa,” Demis Hassibis, đồng sáng lập và Giám đốc điều hành của DeepMind, nói trong một tuyên bố hôm thứ Năm.

“Hy vọng đó đã trở thành hiện thực nhanh hơn rất nhiều so với những gì chúng tôi từng dám mơ. Chỉ mười hai tháng sau, AlphaFold đã được hơn nửa triệu nhà nghiên cứu truy cập và được sử dụng để đẩy nhanh tiến độ giải quyết các vấn đề quan trọng trong thế giới thực, từ ô nhiễm nhựa đến kháng kháng sinh ”.

Đăng ký đã yêu cầu DeepMind bình luận thêm. 

AlphaFold cũng đã cho thấy tiềm năng lớn trong việc thiết kế các loại thuốc mới. Các cấu trúc này giúp các nhà khoa học tìm ra các hợp chất hóa học có thể liên kết với các protein mục tiêu để điều trị hoặc ngăn chặn chúng thực hiện các chức năng bệnh lý. Các công ty bao gồm Insilco Medicine có đã thử nghiệm với mô hình khám phá các loại thuốc mới; Giám đốc điều hành Alex Zhavoronkov nói với Đăng ký rằng quá trình này phức tạp hơn nhiều so với bạn nghĩ và bao gồm một số bước.

Không rõ mức độ chính xác của các dự đoán của AlphaFold. Cấu trúc giống như dải băng của protein thường thay đổi hình dạng khi nó tương tác với một loại thuốc, điều mà AlphaFold không thể giúp các nhà khoa học vì nó không được đào tạo về điều đó. Zhavoronkov cho biết mô hình này là một "bước đột phá khá đáng chú ý" nhưng đã cảnh giác với tất cả những lời thổi phồng. 

“Cho đến khi chúng tôi nhìn thấy cấu trúc cho một mục tiêu mới trong một căn bệnh lớn thu được thông qua AlphaFold mà không có bất kỳ thí nghiệm bổ sung nào, một phân tử được thiết kế bằng AI - hoặc các phương pháp khác - sử dụng cấu trúc dự đoán này, được tổng hợp và thử nghiệm và sau đó được xuất bản trên một tạp chí cao cấp - [chúng ta có thể] sau đó ăn mừng. ”

Các hãng dược phẩm lớn muốn xem các phân tử được thiết kế với sự hỗ trợ của các công cụ AI như AlphaFold đã thực sự được thử nghiệm trên chuột và người. “Các thành tựu thuật toán thuần túy không có giá trị đối với các công ty dược phẩm và đặc biệt là đối với bệnh nhân,” Zhavoronkov nói thêm.

Fabio Urbina, một nhà khoa học cấp cao tại Collaboration Pharmaceuticals, một công ty khởi nghiệp sử dụng các thuật toán học máy để phát triển các loại thuốc điều trị các bệnh di truyền hiếm gặp, cho biết AlphaFold chưa hoàn toàn tỏ ra hữu ích trong nghiên cứu của mình. Urbina sử dụng một kỹ thuật khác và tập trung nhiều hơn vào cấu trúc của một loại thuốc mới tiềm năng hơn là một protein đích.

Vẫn chưa biết liệu các cấu trúc protein có đủ hữu ích hay không… để giúp chúng tôi khám phá ra các loại thuốc tiềm năng mới cho bệnh hiếm gặp

“Điều này là vì một vài lý do; ông nói Đăng ký.

“Tôi lạc quan một cách thận trọng rằng AlphaFold về cơ bản đã 'giải quyết' được vấn đề đầu tiên, nhưng vẫn chưa thấy liệu các cấu trúc protein có đủ hữu ích cho ứng dụng hạ nguồn của chúng tôi trong việc cải thiện khả năng dự đoán của máy học để giúp chúng tôi khám phá ra các loại thuốc tiềm năng mới hay không đối với các bệnh hiếm gặp. Tuy nhiên, chúng tôi ngày càng thấy thông tin cấu trúc protein được coi là một phần của các phương pháp học máy mới hơn, và chúng tôi đã nghĩ đến việc làm điều tương tự. "

Urbina cho biết, việc tạo cơ sở dữ liệu với gần như tất cả các cấu trúc protein đã biết, như DeepMind đã hứa, có nghĩa là nhiều nhà khoa học sẽ có nguồn lực để thử nghiệm và xây dựng các mô hình AI mạnh mẽ hơn, Urbina nói. “Tôi lạc quan một cách thận trọng, nhưng với toàn bộ thư viện cấu trúc protein có sẵn, tôi cho rằng có nhiều khả năng các cấu trúc AlphaFold sẽ được tích hợp vào một số mô hình học máy của chúng tôi và cuối cùng có thể giúp chúng tôi khám phá các phương pháp trị liệu mới. ” ®