Συστήματα AI Ανακαλύπτουν Σχέδια για Τεχνητά Πρωτεΐνη

Μια ομάδα ερευνητών από την Πριτσκερ Σχολή Μοριακής Μηχανικής (PME) στο Πανεπιστήμιο του Σικάγου έχει最近 επιτύχει την δημιουργία ενός συστήματος AI που μπορεί να δημιουργήσει εντελώς νέα, τεχνητά πρωτεΐνη αναλύοντας αποθήκες μεγάλων δεδομένων.

Οι πρωτεΐνες είναι μακρομοριακές ουσίες που είναι απαραίτητες για την κατασκευή ιστών σε ζωντανούς οργανισμούς και κρίσιμες για τη ζωή των κυττάρων γενικά. Οι πρωτεΐνες χρησιμοποιούνται από τα κύτταρα ως χημικοί καταλύτες για να πραγματοποιήσουν διάφορες χημικές αντιδράσεις και να εκτελέσουν σύνθετα καθήκοντα. Αν οι επιστήμονες μπορέσουν να κατανοήσουν πώς να σχεδιάσουν με επιτυχία τεχνητές πρωτεΐνες, αυτό θα μπορούσε να ανοίξει την πόρτα σε νέους τρόπους για την αποθήκευση άνθρακα, νέες μεθόδους για την καλλιέργεια ενέργειας και νέες θεραπείες ασθενειών. Οι τεχνητές πρωτεΐνες έχουν τη δύναμη να αλλάξουν δραματικά τον κόσμο που ζούμε. Όπως αναφέρθηκε από το EurekaAlert, μια πρόσφατη突破 από ερευνητές στο PME Πανεπιστήμιο του Σικάγου έχει φέρει τους επιστήμονες πιο κοντά σε αυτά τα στόχους. Οι ερευνητές του PME χρησιμοποίησαν αλγόριθμους μηχανικής μάθησης για να αναπτύξουν ένα σύστημα ικανό να παράγει νέες μορφές πρωτεϊνών.

Η ερευνητική ομάδα δημιούργησε μοντέλα μηχανικής μάθησης που εκπαιδεύτηκαν σε δεδομένα από διάφορες γενομικές βάσεις δεδομένων. Όσο τα μοντέλα έμαθαν, άρχισαν να διακρίνουν κοινές υποκείμενες προτύπους, απλές κανόνες σχεδιασμού, που επιτρέπουν τη δημιουργία τεχνητών πρωτεϊνών. Όταν οι ερευνητές πήραν αυτά τα προτύπους και συνθέτησαν τις αντίστοιχες πρωτεΐνες στο εργαστήριο, βρήκαν ότι οι τεχνητές πρωτεΐνες που δημιουργήθηκαν προκάλεσαν χημικές αντιδράσεις που ήταν περίπου τόσο αποτελεσματικές όσο αυτές που οδηγούνται από φυσικά出现ující πρωτεΐνες.

Σύμφωνα με τον Joseph Regenstein Καθηγητή στο PME UC, Rama Ranganathan, η ερευνητική ομάδα βρήκε ότι τα γενομικά δεδομένα περιέχουν eine τεράστια ποσότητα πληροφοριών σχετικά με τις βασικές λειτουργίες και δομές των πρωτεϊνών. Χρησιμοποιώντας τη μηχανική μάθηση για να αναγνωρίσουν αυτές τις κοινές δομές, οι ερευνητές ήταν “σε θέση να συλλέξουν τους κανόνες της φύσης για να δημιουργήσουμε πρωτεΐνες ourselves”.

Οι ερευνητές εστίασαν στις μεταβολικές ενζύμες για αυτή τη μελέτη, συγκεκριμένα σε μια οικογένεια πρωτεϊνών που ονομάζεται chorismate mutase. Αυτή η οικογένεια πρωτεϊνών είναι απαραίτητη για τη ζωή σε eine ποικιλία φυτών, μυκήτων και βακτηρίων.

Ο Ranganathan και οι συνεργάτες του κατέληξαν στο συμπέρασμα ότι οι γενομικές βάσεις δεδομένων περιέχουν ερευνήσεις που περιμένουν να ανακαλυφθούν από τους επιστήμονες, αλλά ότι οι παραδοσιακές μεθόδους για τον καθορισμό των κανόνων σχετικά με τη δομή και τη λειτουργία των πρωτεϊνών είχαν μόνο περιορισμένη επιτυχία. Η ομάδα έθεσε ως στόχο να σχεδιάσει μοντέλα μηχανικής μάθησης ικανά να αποκαλύψουν αυτούς τους κανόνες σχεδιασμού. Τα ευρήματα του μοντέλου υποδηλώνουν ότι νέες τεχνητές ακολουθίες μπορούν να δημιουργηθούν διατηρώντας τις θέσεις των αμινοξέων και τις συσχετίσεις στην εξέλιξη των αμινοξέων ζευγών.

Η ομάδα των ερευνητών δημιούργησε συνθετικά γονίδια που κωδικοποιούν ακολουθίες αμινοξέων που παράγουν αυτές τις πρωτεΐνες. Κλωνοποίησαν βακτήρια με αυτά τα συνθετικά γονίδια και βρήκαν ότι τα βακτήρια χρησιμοποιούν τις συνθετικές πρωτεΐνες στο κυτταρικό τους μηχανισμό, λειτουργώντας σχεδόν ακριβώς όπως οι κανονικές πρωτεΐνες.

Σύμφωνα με τον Ranganathan, οι απλοί κανόνες που το AI του διέκρινε μπορούν να χρησιμοποιηθούν για τη δημιουργία τεχνητών πρωτεϊνών απίστευτης πολυπλοκότητας και ποικιλίας. Όπως ο Ranganathan εξήγησε στο EurekaAlert:

“Οι περιορισμοί είναι πολύ μικρότεροι από ό,τι कभποτε φανταζόμασταν. Υπάρχει μια απλότητα στους κανόνες σχεδιασμού της φύσης, και πιστεύουμε ότι παρόμοιες προσεγγίσεις μπορούν να μας βοηθήσουν να αναζητήσουμε μοντέλα για σχεδιασμό σε άλλες σύνθετες βιολογικές συστήματα, όπως τα οικοσυστήματα ή το εγκέφαλο”.

Ο Ranganathan και οι συνεργάτες του θέλουν να πάρουν τα μοντέλα τους και να τα γενικεύσουν, δημιουργώντας μια πλατφόρμα που οι επιστήμονες μπορούν να χρησιμοποιήσουν για να κατανοήσουν καλύτερα πώς κατασκευάζονται οι πρωτεΐνες και ποιες επιπτώσεις έχουν. Ελπίζουν να χρησιμοποιήσουν τα συστήματα AI τους για να ermögουν σε άλλους επιστήμονες να ανακαλύψουν πρωτεΐνες που μπορούν να αντιμετωπίσουν σημαντικά προβλήματα όπως η κλιματική αλλαγή. Ο Ranganathan και ο Αναπληρωτής Καθηγητής Andrew Ferguson έχουν δημιουργήσει μια εταιρεία με το όνομα Evozyne, η οποία έχει ως στόχο να εμπορευματοποιήσει την τεχνολογία και να την προωθήσει σε τομείς όπως η γεωργία, η ενέργεια και το περιβάλλον.

Η κατανόηση των κοινών χαρακτηριστικών μεταξύ των πρωτεϊνών και των σχέσεων μεταξύ δομής και λειτουργίας θα μπορούσε επίσης να βοηθήσει στη δημιουργία νέων φαρμάκων και μορφών θεραπείας. Αν και το πτύσιμο των πρωτεϊνών έχει θεωρηθεί για πολύ καιρό ένα εξαιρετικά δύσκολο πρόβλημα για τους υπολογιστές, οι πληροφορίες από μοντέλα όπως αυτό που παράχθηκε από την ομάδα του Ranganathan θα μπορούσε να βοηθήσει στην αύξηση της ταχύτητας αυτών των υπολογισμών, διευκολύνοντας τη δημιουργία νέων φαρμάκων που βασίζονται σε αυτές τις πρωτεΐνες. Τα φάρμακα θα μπορούσαν να αναπτυχθούν για να μπλοκάρουν τη δημιουργία πρωτεϊνών σε ιούς, потенτικά βοηθώντας στη θεραπεία ακόμη και νέων ιών όπως ο Covid-19.

Ο Ranganathan και η υπόλοιπη ερευνητική ομάδα ainda χρειάζονται να κατανοήσουν πώς και γιατί τα μοντέλα τους λειτουργούν και πώς παράγουν αξιόπιστα σχέδια πρωτεϊνών. Ο επόμενος στόχος της ερευνητικής ομάδας είναι να κατανοήσουν καλύτερα ποια χαρακτηριστικά τα μοντέλα λαμβάνουν υπόψη για να φθάσουν στα συμπεράσματά τους.