AI-systemer opdager blåtryk for kunstige proteiner

Et hold af forskere fra Pritzker School of Molecular Engineering (PME) ved University of Chicago har nylig succesfuldt skabt et AI-system, der kan skabe helt nye, kunstige proteiner ved at analysere store mængder data.

Proteiner er makromolekyler, der er essentielle for opbygningen af væv i levende organismer, og er kritiske for cellernes liv i almindelighed. Proteiner bruges af cellerne som kemiske katalysatorer til at fremme forskellige kemiske reaktioner og til at udføre komplekse opgaver. Hvis videnskabsfolk kan finde ud af, hvordan de kan konstruere kunstige proteiner på en pålidelig måde, kan det åbne døren for nye måder at fange carbon, nye metoder til at høste energi og nye behandlinger af sygdomme. Kunstige proteiner har potentialet til at ændre verden, vi lever i, dramatisk. Som rapporteret af EurekaAlert, har et nylig gennembrud af forskere ved PME University of Chicago bragt videnskabsfolk tættere på disse mål. Forskerne ved PME brugte maskinlæringsalgoritmer til at udvikle et system, der kan generere nye former for proteiner.

Forskningsholdet skabte maskinlæringsmodeller, der var trænet på data fra forskellige genomedatabaser. Da modellerne lærte, begyndte de at skelne mellem underliggende mønstre, simple designregler, der muliggør skabelsen af kunstige proteiner. Da forskerne syntetiserede proteinerne i laboratoriet, fandt de, at de kunstige proteiner skabte kemiske reaktioner, der var næsten lige så effektive som dem, der blev drevet af naturligt forekommende proteiner.

Ifølge Joseph Regenstein Professor ved PME UC, Rama Ranganathan, fandt forskningsholdet, at genomedata indeholder en masse information om proteiners grundlæggende funktioner og strukturer. Ved at bruge maskinlæring til at genkende disse fælles strukturer, var forskerne “i stand til at indfange naturens regler for at skabe proteiner selv”.

Forskerne fokuserede på metaboliske enzymer i denne studie, specifikt en familie af proteiner kaldet chorismatmutase. Dette protein er nødvendigt for liv i en bred vifte af planter, svampe og bakterier.

Ranganathan og hans samarbejdspartnere indså, at genomedatabaser indeholdt indsigt, der blot ventede på at blive opdaget af videnskabsfolk, men at traditionelle metoder til at bestemme reglerne for proteinstruktur og funktion havde haft begrænset succes. Holdet satte sig for at designe maskinlæringsmodeller, der kunne afsløre disse designregler. Modellernes resultater antyder, at nye kunstige sekvenser kan skabes ved at bevare aminosyrepositioner og korrelationer i evolutionen af aminosyrepar.

Forskningsholdet skabte syntetiske gener, der kodede for aminosyresekvenser, der producerede disse proteiner. De klonede bakterier med disse syntetiske gener og fandt, at bakterierne brugte de syntetiske proteiner i deres cellulære maskineri, og fungerede næsten præcis som normale proteiner.

Ifølge Ranganathan kan de simple regler, som deres AI havde fundet, bruges til at skabe kunstige proteiner af utrolig kompleksitet og variation. Som Ranganathan forklarede til EurekaAlert:

“Begrænsningerne er meget mindre, end vi nogensinde havde forestillet os. Der er en enkelhed i naturens designregler, og vi tror, at lignende tilgange kan hjælpe os med at søge efter modeller for design i andre komplekse systemer i biologien, som økosystemer eller hjernen”.

Ranganathan og hans samarbejdspartnere ønsker at generalisere deres modeller og skabe en platform, som videnskabsfolk kan bruge til bedre at forstå, hvordan proteiner konstrueres og hvilke effekter de har. De håber at bruge deres AI-systemer til at enable andre videnskabsfolk til at opdage proteiner, der kan tackle vigtige problemer som klimaforandring. Ranganathan og Associate Professor Andrew Ferguson har skabt et firma kaldet Evozyne, der har til formål at commercialisere teknologien og fremme dens brug i felter som landbrug, energi og miljø.

At forstå fællesnævnere mellem proteiner og relationerne mellem struktur og funktion kan også hjælpe med at skabe nye lægemidler og former for terapi. Selvom protein foldersning længe har været betragtet som et ekstremt svært problem for computere at løse, kan indsigt fra modeller som den, der er produceret af Ranganathans hold, hjælpe med at øge hastigheden af disse beregninger, og dermed muliggøre skabelsen af nye lægemidler baseret på disse proteiner. Lægemidler kan udvikles, der blokerer skabelsen af proteiner i virus, og dermed potentielt hjælpe med behandlingen af selv nye virus som Covid-19-koronavirusset.

Ranganathan og resten af forskningsholdet har stadig brug for at forstå, hvordan og hvorfor deres modeller fungerer, og hvordan de producerer pålidelige proteinblåtryk. Forskningsholdets næste mål er at bedre forstå, hvilke attributter modellerne tager i betragtning for at nå til deres konklusioner.