AlphaProteo: Google DeepMindova průlomová technologie v navrhování proteinů

V oblasti molekulární biologie je jedním z největším výzvám navrhnout proteiny, které účinně váží na specifické cíle, jako jsou virové proteiny, markery rakoviny nebo složky imunitního systému. Tyto proteinové vazby jsou nezbytné nástroje ve vývoji léků, léčbě nemocí, diagnostice a biotechnologii. Tradiční metody vytváření těchto proteinových vazeb jsou časově náročné, vyžadují mnoho kol optimalizace a jsou často velmi pracné. Nicméně, recentní pokroky v oblasti umělé inteligence (AI) dramaticky urychlují tento proces.

V září 2024 společnost Neuralink úspěšně implantovala svůj mozkový čip do druhého lidského účastníka v rámci svých klinických testů, čímž výrazně rozšířila hranice toho, co mohou mozkové počítačové rozhraní dosáhnout. Tento implant umožňuje jedincům ovládat zařízení čistě pomocí myšlenek.

Ve stejnou dobu se AlphaProteo, nástroj společnosti DeepMind, stal průlomovou AI technologií, která navrhuje nové proteiny pro řešení některých z největších biologických výzev. Na rozdíl od předchozích modelů, jako je AlphaFold, který předpovídá struktury proteinů, AlphaProteo řeší pokročilejší úkol navrhnout nové proteinové vazby, které mohou pevně zachytit specifické molekulární cíle. Tato schopnost by mohla dramaticky urychlit vývoj léků, diagnostických nástrojů a dokonce i vývoj biosenzorů. Například v raných testech AlphaProteo úspěšně navrhl vazby pro protein SARS-CoV-2 a proteiny zapojené do rakoviny a zánětu, přičemž prokázal vazebné afinitě, které byly 3 až 300krát silnější než stávající metody.

Co dělá tento průnik mezi biologií a AI ještě lákavějším, je to, jak tyto pokroky v neuronových rozhraních a navrhování proteinů odrážejí širší posun směrem k bio-digitální integraci.

V roce 2024 pokroky v integraci AI a biologie dosáhly bezprecedentní úrovně, pohánějící inovace v oblastech, jako je vývoj léků, personalizovaná medicína a syntetická biologie. Zde je podrobný pohled na některé z klíčových průlomů, které formují krajinu tohoto roku:

1. AlphaFold3 a RoseTTAFold Diffuze: Nová generace navrhování proteinů

Vydání AlphaFold3 společnosti Google DeepMind v roce 2024 vzalo předpověď struktury proteinů na novou úroveň tím, že zahrnulo biomolekulární komplexy a rozšířilo své předpovědi na malé molekuly a ligandy. AlphaFold3 využívá difuzní AI model k rafinaci struktur proteinů, podobně jako je vytváření AI generovaných obrázků z hrubých náčrtů. Tento model je zvláště přesný v předpovídání, jak proteiny interagují s ligandy, s působivou 76% přesností v experimentálních testech – daleko před svými konkurenty.

Současně RoseTTAFold Diffuze také představila nové schopnosti, včetně možnosti navrhovat de novo proteiny, které v přírodě neexistují. Ačkoli obě systémy stále zlepšují svou přesnost a aplikaci, jejich pokroky se očekávají, že sehrají zásadní roli ve vývoji léků a biotechnologickém výzkumu, potenciálně snižují čas potřebný pro návrh nových léků.

2. Syntetická biologie a editace genů

Další významnou oblastí pokroku v roce 2024 je syntetická biologie, zejména v oblasti editace genů. CRISPR-Cas9 a další genetické inženýrské nástroje byly vylepšeny pro přesnější opravu DNA a editaci genů. Společnosti, jako je Graphite Bio (GRPH ), využívají tyto nástroje k opravě genetických mutací na bezprecedentní úrovni přesnosti, otevírající dveře pro potenciálně léčivé léčby genetických onemocnění. Tato metoda, známá jako homologie-řízená oprava, využívá přirozených mechanismů oprav DNA v těle k opravě vadných genů.

Kromě toho inovace v prediktivních hodnoceních off-target, jako jsou ty vyvinuté společností SeQure Dx, zlepšují bezpečnost editace genů identifikací neúmyslných editací a snižováním rizik. Tyto pokroky jsou zvláště důležité pro zajištění bezpečnosti a účinnosti genetických terapií před jejich aplikací na lidské pacienty.

3. Sekvenování jedné buňky a metagenomika

Technologie, jako je sekvenování jedné buňky, dosáhly v roce 2024 nových výšin, nabízející bezprecedentní rozlišení na buněčné úrovni. To umožňuje výzkumníkům studovat buněčnou heterogenitu, která je zvláště cenná ve výzkumu rakoviny. Analýzou jednotlivých buněk v nádoru mohou výzkumníci identifikovat, které buňky jsou rezistentní k léčbě, což vede k více účinným terapeutickým strategiím.

Zatímco metagenomika poskytuje hluboké pohledy do mikrobiálních společenstev, a to jak v kontextu lidského zdraví, tak i v environmentálních kontextech. Tato technika pomáhá analyzovat mikrobiom, aby se pochopilo, jak mikrobiální populace přispívají k nemocem, nabízející nové cesty pro léčby, které cílí přímo na mikrobiom.

Hra na změnu v navrhování proteinů

Proteiny jsou fundamentální pro téměř každý proces v živých organismech. Tyto molekulární stroje plní širokou škálu funkcí, od katalýzy metabolických reakcí po replikaci DNA. To, co činí proteiny tak univerzálními, je jejich schopnost skládat se do složitých trojrozměrných tvarů, což jim umožňuje interagovat s jinými molekulami. Proteinové vazby, které pevně váží na specifické cílové molekuly, jsou nezbytné pro modulaci těchto interakcí a jsou často používány ve vývoji léků, imunoterapiích a diagnostických nástrojích.

Konvenční proces navrhování proteinových vazeb je pomalý a silně závisí na metodě pokusů a omylů. Vědci často musí procházet rozsáhlými knihovnami proteinových sekvencí, testovat každý kandidát v laboratoři, aby zjistili, které fungují nejlépe. AlphaProteo mění tento paradigma tím, že využívá sílu hlubokého učení k předpovědi, které proteinové sekvence účinně váží na cílovou molekulu, dramaticky snižuje čas a náklady spojené s tradičními metodami.

Jak AlphaProteo funguje

AlphaProteo je založen na stejných principech hlubokého učení, které učinily jeho předchůdce, AlphaFold, průlomovým nástrojem pro předpověď struktury proteinů. Nicméně, zatímco AlphaFold se zaměřuje na předpověď struktury existujících proteinů, AlphaProteo jde dále tím, že navrhuje zcela nové proteiny.

Jak AlphaProteo funguje: Hluboký pohled do AI poháněného navrhování proteinů

AlphaProteo představuje skok vpřed v AI poháněném navrhování proteinů, stavěném na hlubokém učení, které pohánělo jeho předchůdce, AlphaFold.

Zatímco AlphaFold revolucionalizoval oblast předpovědí struktury proteinů s bezprecedentní přesností, AlphaProteo jde dále, vytvářející zcela nové proteiny navrhnuté pro řešení specifických biologických výzev.

Architektura AlphaProteo je sofistikovaná kombinace generativního modelu, který byl vyškolován na rozsáhlých datech proteinových struktur, včetně těch z Protein Data Bank (PDB), a milionů předpovědí struktur generovaných AlphaFold. To umožňuje AlphaProteo nejen předpovídat, jak proteiny skládají, ale také navrhnout nové proteiny, které mohou interagovat se specifickými molekulárními cíli na molekulární úrovni.

Tento diagram znázorňuje workflow AlphaProteo, kde jsou navrhovány proteinové vazby, filtrovány a experimentálně validovány

• Generátor: Model AlphaProteo založený na strojovém učení generuje řadu potenciálních proteinových vazeb, využívající rozsáhlá data, jako jsou ta z Protein Data Bank (PDB) a předpovědi AlphaFold.
• Filtr: Kritická součást, která ohodnotí tyto vygenerované vazby na základě jejich pravděpodobnosti úspěšného vázání na cílový protein, efektivní redukce počtu návrhů, které potřebují být testovány v laboratoři.
• Experiment: Tento krok zahrnuje testování filtrovaných návrhů v laboratoři, aby se potvrdilo, které vazby účinně interagují s cílovým proteinem.

AlphaProteo navrhuje vazby, které specificky cílí na klíčové hotspot rezidua (žluté) na povrchu proteinu. Modrá část reprezentuje navrhovanou vazbu, která je modelována pro interakci přesně s vyznačenými hotspoty na cílovém proteinu.

Pro část C obrázku; ukazuje 3D modely cílových proteinů, které se používají v experimentech AlphaProteo. Tyto zahrnují terapeuticky významné proteiny zapojené do různých biologických procesů, jako je imunitní odpověď, virové infekce a progrese rakoviny.

Pokročilé schopnosti AlphaProteo

1. Vysoká vazebná afinita: AlphaProteo vyniká v navrhování proteinových vazeb s vysokou afinitou pro jejich cíle, překonávající tradiční metody, které často vyžadují mnoho kol laboratorní optimalizace. Generuje proteinové vazby, které pevně váží na své zamýšlené cíle, významně zlepšují jejich účinnost v aplikacích, jako je vývoj léků a diagnostika. Například jeho vazby pro VEGF-A, protein spojený s rakovinou, prokázaly vazebné afinitě až 300krát silnější než stávající metody.
2. Cílení na rozmanité proteiny: AlphaProteo může navrhnout vazby pro širokou škálu proteinů zapojených do kritických biologických procesů, včetně těch spojených s virovými infekcemi, rakovinou, zánětem a autoimunitními onemocněními. Bylo zvláště úspěšné v navrhování vazeb pro cíle, jako je protein SARS-CoV-2, který je esenciální pro infekci COVID-19, a rakovinový protein VEGF-A, který je zásadní v terapiích pro diabetickou retinopatii.
3. Experimentální úspěšnost: Jednou z nejpozoruhodnějších vlastností AlphaProteo je jeho vysoká experimentální úspěšnost. V laboratorních testech navrhnuté vazby systému prokázaly vysokou úspěšnost ve vázání na cílové proteiny, snižující počet experimentálních kol typicky vyžadovaných. V testech na virový protein BHRF1 návrhy AlphaProteo měly 88% úspěšnost, což je významné zlepšení oproti předchozím metodám.
4. Optimalizace-free návrh: Na rozdíl od tradičních přístupů, které často vyžadují několik kol optimalizace pro zlepšení vazebné afinitě, AlphaProteo je schopen generovat vazby s silnými vazebnými vlastnostmi již od počátku. Pro některé náročné cíle, jako je rakovinový protein TrkA, AlphaProteo produkoval vazby, které překonaly ty, které byly vyvinuty prostřednictvím rozsáhlé experimentální optimalizace.

Experimentální úspěšnost (levý graf) – Nejlepší vazebná afinita (pravý graf)

• AlphaProteo překonal tradiční metody napříč většinou cílů, zvláště dosáhl 88% úspěšnosti s BHRF1, ve srovnání s pouhými 40% u předchozích metod.
• Úspěch AlphaProteo s VEGF-A a IL-7RA cíli byl výrazně vyšší, ukazující jeho kapacitu řešit náročné cíle v rakovinové terapii.
• AlphaProteo také konzistentně generuje vazby s mnohem vyššími vazebnými afinitami, zvláště pro náročné proteiny, jako je VEGF-A, činí z něj cenný nástroj ve vývoji léků a léčbě nemocí.

Jak AlphaProteo rozšiřuje aplikace v biologii a zdravotnictví

Nový přístup AlphaProteo k navrhování proteinů otevírá širokou škálu aplikací, činí z něj mocný nástroj v několika oblastech biologie a zdravotnictví.

1. Vývoj léků

Moderní objevování léků často závisí na malých molekulách nebo biologických látkách, které váží na proteiny spojené s nemocemi. Nicméně, vývoj těchto molekul je často časově náročný a nákladný. AlphaProteo urychluje tento proces generováním proteinových vazeb s vysokou afinitou, které mohou sloužit jako základ pro nové léky. Například, AlphaProteo byl použit k navrhování vazeb pro PD-L1, protein zapojený do regulace imunitního systému, který hraje klíčovou roli v imunoterapiích rakoviny. Inhibicí PD-L1 by vazby AlphaProteo mohly pomoci imunitnímu systému lépe identifikovat a eliminovat rakovinné buňky.

2. Diagnostické nástroje

V diagnostice mohou proteinové vazby navrhnuté AlphaProteo být použity k vytvoření vysoce citlivých biosenzorů schopných detekovat onemocnění-specifické proteiny. To může umožnit přesnější a rychlejší diagnózy pro onemocnění, jako jsou virové infekce, rakovina a autoimunitní poruchy. Například, schopnost AlphaProteo navrhovat vazby pro SARS-CoV-2 by mohla vést k rychlejším a přesnějším diagnostickým nástrojům pro COVID-19.

3. Imunoterapie

Schopnost AlphaProteo navrhovat vysoce specifické proteinové vazby je zvláště cenná v oblasti imunoterapie. Imunoterapie využívají imunitní systém těla k boji proti nemocem, včetně rakoviny. Jednou z výzev v této oblasti je vývoj proteinů, které mohou vázat a modulovat imunitní odpovědi účinně. S přesností AlphaProteo v cílení na specifické proteiny na imunitních buňkách by mohlo zlepšit vývoj nových, účinnějších imunoterapií.

4. Biotechnologie a biosenzory

Proteinové vazby navrhnuté AlphaProteo jsou také cenné v biotechnologii, zvláště ve vytváření biosenzorů – zařízení používaná k detekci specifických molekul v různých prostředích. Biosenzory mají aplikace od environmentálního monitoringu po bezpečnost potravin. Vazby AlphaProteo by mohly zlepšit citlivost a specifitu těchto zařízení, činí z nich spolehlivější nástroje pro detekci škodlivých látek.

Omezení a budoucí směry

Jako u každé nové technologie, AlphaProteo není bez omezení. Například, systém měl potíže s navrhováním účinných vazeb pro protein TNF𝛼, náročný cíl spojený s autoimunitními onemocněními, jako je revmatoidní artritida. To zdůrazňuje, že zatímco AlphaProteo je vysoce účinný pro mnoho cílů, stále má prostor pro zlepšení.

DeepMind aktivně pracuje na rozšíření schopností AlphaProteo, zvláště v řešení náročných cílů, jako je TNF𝛼. Tým také zkoumá nové aplikace pro technologii, včetně použití AlphaProteo k navrhování proteinů pro vylepšení plodin a environmentální udržitelnost.

Závěr

Snížením času a nákladů spojených s tradičními metodami navrhování proteinů urychluje AlphaProteo inovace v biologii a medicíně. Jeho úspěch v vytváření proteinových vazeb pro náročné cíle, jako je protein SARS-CoV-2 a VEGF-A, prokázal jeho potenciál řešit některé z nejnaléhavějších zdravotních výzev naší doby.

Jak AlphaProteo dále evoluuje, jeho dopad na vědu a společnost bude pouze růst, nabízející nové nástroje pro pochopení života na molekulární úrovni a odemykající nové možnosti pro léčbu nemocí.