AI Systems objevuje plány pro umělé proteiny

Tým výzkumníků z Pritzker School of Molecular Engineering (PME) na Chicagské univerzitě nedávno uspěl ve vytvoření systému umělé inteligence, který dokáže vytvořit zcela nové umělé proteiny analýzou zásob velkých dat.

Proteiny jsou makromolekuly nezbytné pro stavbu tkání v živých tvorech a kritické pro život buněk obecně. Proteiny jsou používány buňkami jako chemické katalyzátory k provádění různých chemických reakcí a provádění složitých úkolů. Pokud vědci přijdou na to, jak spolehlivě vyrobit umělé proteiny, mohlo by to otevřít dveře novým způsobům zachycování uhlíku, novým metodám získávání energie a novým způsobům léčby nemocí. Umělé proteiny mají moc dramaticky změnit svět, ve kterém žijeme. Jak uvádí EurekaAlert, nedávný průlom vědců z PME University of Chicago přiblížil vědce k těmto cílům. Výzkumníci PME využili algoritmy strojového učení k vývoji systému schopného generovat nové formy proteinu.

Výzkumný tým vytvořil modely strojového učení trénované na datech získaných z různých genomických databází. Jak se modely naučily, začaly rozlišovat běžné základní vzorce, jednoduchá pravidla designu, která umožňují vytváření umělých proteinů. Po získání vzorů a syntéze příslušných proteinů v laboratoři vědci zjistili, že umělé proteiny vytvořily chemické reakce, které byly přibližně stejně účinné jako reakce vyvolané přirozeně se vyskytujícími proteiny.

Podle profesora Josepha Regensteina na PME UC, Rama Ranganathan, výzkumný tým zjistil, že data o genomu obsahují obrovské množství informací týkajících se základních funkcí a struktur proteinů. Využitím strojového učení k rozpoznání těchto společných struktur byli vědci „schopni naplnit pravidla přírody, abychom sami vytvořili proteiny“.

Vědci se pro tuto studii zaměřili na metabolické enzymy, konkrétně na rodinu proteinů nazývaných chorismátmutáza. Tato rodina proteinů je nezbytná pro život v celé řadě rostlin, hub a bakterií.

Ranganathan a jeho spolupracovníci si uvědomili, že genomové databáze obsahují poznatky, které teprve čekají na to, až je vědci objeví, ale že tradiční metody určování pravidel týkajících se struktury a funkce proteinů měly jen omezený úspěch. Tým se rozhodl navrhnout modely strojového učení schopné odhalit tato návrhová pravidla. Zjištění modelu naznačují, že nové umělé sekvence mohou být vytvořeny zachováním aminokyselinových pozic a korelací ve vývoji aminokyselinových párů.

Tým výzkumníků vytvořil syntetické geny, které kódovaly aminokyselinové sekvence produkující tyto proteiny. Klonovali bakterie s těmito syntetickými geny a zjistili, že bakterie používají syntetické proteiny ve svém buněčném aparátu, fungují téměř stejně jako běžné proteiny.

Podle Ranganathana lze jednoduchá pravidla, která jejich AI rozlišovala, použít k vytvoření umělých proteinů neuvěřitelné složitosti a rozmanitosti. Jak Ranganathan vysvětlil EurekaAlert:

„Omezení jsou mnohem menší, než jsme si kdy představovali, že budou. V pravidlech designu přírody je jednoduchost a věříme, že podobné přístupy by nám mohly pomoci hledat modely pro design v jiných složitých systémech v biologii, jako jsou ekosystémy nebo mozek.

Ranganathan a jeho spolupracovníci chtějí vzít své modely a zobecnit je a vytvořit platformu, kterou mohou vědci použít k lepšímu pochopení toho, jak jsou proteiny konstruovány a jaké mají účinky. Doufají, že pomocí svých systémů AI umožní dalším vědcům objevit proteiny, které mohou řešit důležité problémy, jako je změna klimatu. Ranganathan a docent Andrew Ferguson vytvořili společnost nazvanou Evozyne, jejímž cílem je komercializace technologie a podpora jejího použití v oblastech, jako je zemědělství, energetika a životní prostředí.

Pochopení společných rysů mezi proteiny a vztahů mezi strukturou a funkcí by také mohlo pomoci při vytváření nové léky a formy terapie. Ačkoli skládání proteinů bylo dlouho považováno za neuvěřitelně obtížný problém pro počítače, poznatky z modelů, jako je ten, který kdysi vytvořil Ranganathanův tým, by mohly pomoci zvýšit rychlost těchto výpočtů a usnadnit vytváření nových léků založených na těchto proteinech. Mohly by být vyvinuty léky, které potenciálně blokují tvorbu proteinů ve virech pomáhá při léčbě dokonce i nových virů, jako je koronavirus Covid-19.

Ranganathan a zbytek výzkumného týmu stále potřebují pochopit, jak a proč jejich modely fungují a jak vytvářejí spolehlivé proteinové plány. Dalším cílem výzkumného týmu je lépe porozumět tomu, jaké atributy modely berou v úvahu, aby dospěly ke svým závěrům.