Inteligența artificială ar putea ajuta cercetătorii să descopere proteine necunoscute anterior și să proiecteze altele complet noi.
Când proiectul va fi finalizat ar putea ajuta la deblocarea dezvoltării unor vaccinuri mai eficiente, la accelerarea cercetării pentru vindecarea cancerului sau la obținerea de materiale complet noi.
Alphabet compania care deține laboratorul de inteligență artificială DeepMind, a luat lumea prin surprindere în 2020, când a anunțat “AlphaFold“, un instrument de inteligență artificială care a folosit învățarea profundă pentru a rezolva una dintre „marile provocări” ale biologiei: cofigurarea cu acurateţe structurii proteinelor.
Proteinele sunt fundamentale pentru viață, iar înțelegerea structurii lor este vitală pentru cercetarea acestora. La începutul acestei veri, DeepMind a anunțat că AlphaFold ar putea configura acum structurile tuturor proteinelor cunoscute științei. Noul instrument, ProteinMPNN, descris de un grup de cercetători de la Universitatea din Washington în două lucrări publicate în Science, oferă o completare puternică acestei tehnologii.
În mod tradițional, cercetătorii creează proteine modificându-le pe cele care apar în natură, dar ProteinMPNN va deschide un întreg nou univers de proteine posibile pentru ca cercetătorii să le proiecteze de la zero. „În natură, proteinele rezolvă practic toate problemele vieții, de la recoltarea energiei din lumina soarelui până la fabricarea de molecule. Totul în biologie se întâmplă din proteine”, spune David Baker, unul dintre oamenii de știință din spatele lucrării și director al Institutului pentru Design de Proteine de la Universitatea din Washington.
„Organismele au evoluat de-a lungul timpului pentru a rezolva problemele cu care s-au confruntat, dar astăzi ne confruntăm cu noi provocări, precum covid. Dacă am putea proiecta proteine noi care să fie la fel de bune în rezolvarea provocărilor precum proteinele care au evoluat de-a lungul timpului ar fi cu adevărat, fantastic.” a precizat David Baker.
Proteinele sunt alcătuite din sute de mii de aminoacizi care sunt legați în lanțuri lungi, care apoi se pliază în forme tridimensionale. AlphaFold îi ajută pe cercetători să configureze structura rezultată, oferind o perspectivă asupra modului în care se vor comporta. ProteinMPNN va ajuta cercetătorii cu opusul problemei. Dacă au deja în minte o structură exactă a proteinei,
aceasta îi va ajuta să găsească secvența de aminoacizi care se pliază în acea formă. Sistemul folosește o rețea neuronală antrenată pe un număr foarte mare de exemple ale secvențelor de aminoacizi, care se pliază în structuri tridimensionale. Dar cercetătorii trebuie să rezolve și o altă problemă. Pentru a proiecta proteine care sunt utile aplicațiilor din lumea reală, cum ar fi o nouă enzimă care digeră plasticul, trebuie mai întâi să își dea seama ce coloană proteică ar avea această funcție. Pentru a face acest lucru, cercetătorii din laboratorul lui Baker folosesc două metode de învățare automată, detaliate într-un articol din Science în iulie anul trecut, pe care echipa le numește “Constrained Hallucination” și “In painting.”
“Constrained Hallucination” permite utilizatorilor să facă o căutare aleatorie printre toate secvențele de proteine posibile și să favorizeze secvențele cu anumite funcții. Această metodă face posibilă explorarea spațiului tuturor structurilor proteice posibile, datorită capacității învățării automate de a analiza seturi vaste de date. Există 20 de aminoacizi, care pot fi combinați într-un număr masiv de secvențe posibile.
„Natura a prelevat doar… o mică parte. Deci, dacă ai limita căutarea la acele secvențe care există în natură, nu ai ajunge nicăieri”, spune Baker.
“In painting” funcționează la fel ca completarea automată într-un procesor de text, dar pentru structurile și secvențele de proteine. Folosind aceste metode, cercetătorii pot crea o proteină complet nouă, care nu a fost văzută înainte în natură. Echipa lui Baker experimentează dacă aceste structuri asemănătoare unor inele ar putea fi folosite în viitor ca și componente a unor nanomașini care să funcționează la scară nanometrică. În viitor, aceste nanomașini ar putea fi folosite pentru a desfunda arterele, de exemplu. Capacitatea de a folosi învățarea automată pentru a proiecta proteine în acest fel este „un lucru foarte important”, spune Lynne Regan, profesor de biochimie și biotehnologie la Universitatea din Edinburgh.
Învățarea automată va face întregul proces mult mai rapid și mai ușor și va permite cercetătorilor să creeze proteine și structuri complet noi la o scară mult mai mare. Software-ul este de peste 200 de ori mai rapid decât cel mai bun instrument anterior și necesită o intervenție minimă a utilizatorului.
„Aceste contribuții și altele transformă domeniul recent al predicției și proiectării structurii biomoleculare” spune Jeffrey Gray, profesor de inginerie chimică și biomoleculară la Universitatea Johns Hop
“Implicațiile sunt fantastice în ceea ce privește înțelegerea biologiei, a sănătății și a bolilor, ca și în proiectarea de noi molecule pentru a reduce suferința umană”, spune Gray.
El precizează că laboratorul său va combina instrumentele de învățare profundă pe care le-au dezvoltat cu cele de la laboratorul Baker pentru a înțelege mai bine sistemul imunitar și bolile legate de imunitate precum și că va folosi AI pentru a proiecta terapii.
„AlphaFold a lansat biologia într-o nouă eră, rezolvând problema de predicție a structurii proteinelor și demonstrând rolul pe care AI și învățarea automată îl vor juca în biologie”, spune Pushmeet Kohli, șeful echipei DeepMind AI for Science.
„ProteinMPNN este o altă dovadă a acestei schimbări de paradigmă, proiectând proteine pentru sarcini specifice” precizează el.
ProteinMPNN, care este acum disponibil gratuit în depozitul de software open-source GitHub, va oferi cercetătorilor instrumentele necesare pentru a realiza modele noi nelimitate.
Provocarea, desigur… este ce vei proiecta?” spune Baker
Articol de Răzvan Lupu
