Sundhedsvæsen
Proteinforskere og AI går i clinch

NøglepunkterAI slog knap de menneskelige proteinforskere i at forudsige selvorganiseringssekvenser.
Vis mere
- AI slog knap de menneskelige proteinforskere i at forudsige selvorganiseringssekvenser.
- Menneskelige eksperter favoriserede visse aminosyrer, hvilket førte til forkerte forudsigelser i modsætning til AI'en.
- Maskinlæring er et kraftfuldt værktøj til at overvinde menneskelig bias i proteindesign.
Et hold proteinforskere fra Rutgers University gik i clinch med et computerprogram.
Spoiler alert: AI’en vandt. Men kun med en hårsbredde.
Mennesker mod AI
Forskere besluttede sig for at gennemføre et eksperiment, hvor en menneskelig ekspert med en dyb forståelse af protein-design og selvsamling skulle konkurrere mod et kunstigt intelligent computerprogram med forudsigende evner. Øverst på listen over potentielle forskere var Vikas Nanda, en forsker fra Center for Advanced Biotechnology and Medicine (CABM) på Rutgers.
Eksperimentet havde til formål at se, om mennesket eller AI’en kunne gøre det bedste job med at forudsige, hvilke proteinsekvenser der ville kombinere mest succesfuldt.
Resultaterne blev offentliggjort i Nature Chemistry.
Nanda, forskere fra Argonne National Laboratory i Illinois og diverse kolleger rundt om i USA siger, at kampen var “tæt, men afgørende”. Konkurrencen satte Nanda og flere kolleger op mod AI-programmet, som vandt med en lille margin.
Forskere søger efter mere viden om protein-selvsamling, idet de tror, at ved at forstå det bedre, kan de designe nye og innovative produkter til medicinske og industrielle formål. Et af disse produkter kunne være kunstigt menneskeligt væv til sår, mens et andet kunne være katalysatorer for nye kemiske produkter.
Nanda er professor på afdelingen for biokemi og molekylærbiologi på Rutgers Robert Wood Johnson Medical School.
“Trods vores omfattende ekspertise klarede AI’en sig lige så godt eller bedre på flere datasæt, hvilket viser det enorme potentiale for maskinlæring til at overvinde menneskelig fordom,” sagde Nanda.
Protein-design og selvsamling
Proteiner består af store mængder af aminosyrer, der er forbundet fra ende til ende, og kæderne folder sig op til at danne tredimensionale molekyler med komplekse former. Formen af hvert protein og de aminosyrer, der er indeholdt i det, bestemmer dets adfærd. Forskere som Nanda er involveret i “protein-design”, hvilket betyder, at de skaber sekvenser, der producerer nye proteiner. Holdet har nylig designet et syntetisk protein, der kan detektere VX, en farlig nervegas, meget hurtigt. Denne nye udvikling kunne have store implikationer for nye biosensorer og behandlinger.
Proteiner samler sig selv med andre proteiner for at danne superstrukturer, der er vigtige i biologien. I nogle tilfælde synes det, at proteiner følger en design, såsom når de samler sig selv til en beskyttende ydre skal på en virus. Andre gange samler sig selv de, når de danner biologiske strukturer, der er forbundet med visse sygdomme.
“At forstå protein-selvsamling er fundamentalt for at gøre fremskridt i mange felter, herunder medicin og industri,” sagde Nanda.
Nanda og fem andre kolleger fik en liste over proteiner og blev bedt om at forudsige, hvilke af dem, der sandsynligvis ville samle sig selv. Forudsigelserne blev derefter sammenlignet med dem fra computerprogrammet.
De menneskelige eksperter brugte regler baseret på deres observation af proteinadfærd i eksperimenter, herunder mønstre af elektriske ladninger og grad af aversion overfor vand. De valgte 11 proteiner, som de forudsagde ville samle sig selv, mens AI’en valgte ni proteiner.
Deres eksperiment viste, at de menneskelige eksperter fik seks korrekte forudsigelser ud af de 11 proteiner, mens computerprogrammet valgte ni.
Eksperimentet demonstrerede også, at de menneskelige eksperter “foretrak” visse aminosyrer over andre, hvilket ledte til forkerte valg. AI’en valgte korrekt visse proteiner med egenskaber, der ikke gjorde dem åbenlyse.
“Vi arbejder på at få en grundlæggende forståelse af den kemiske natur af interaktioner, der fører til selvsamling, så jeg var bekymret for, at brugen af disse programmer ville forhindre vigtige indsigter,” sagde Nanda. “Men det, jeg begynder at forstå, er, at maskinlæring blot er et værktøj, som ethvert andet.”












