Η DeepMind Είναι Έτοιμη να Μεταμορφώσει τις Βιολογικές Επιστήμες Λύνοντας το Πρόβλημα του Πτυχίσματος των Πρωτεϊνών

Η διεύθυνση AI της Google (GOOGL ), DeepMind, έχει πρόσφατα καταγράψει σημαντική πρόοδο προς την επίλυση ενός από τα παλαιότερα προβλήματα της βιολογίας, τον υπολογισμό του σχήματος μιας πρωτεΐνης από μια αμινοοξική ακολουθία. Σύμφωνα με το Nature, η đột破 έχει το потенシャル να μεταμορφώσει τα πεδία της βιολογίας και της χημείας, επιτρέποντας στους επιστήμονες να καθορίσουν τη λειτουργία πολλών πρωτεϊνών που είναι目前 μυστηριώδεις.

Το σχήμα μιας πρωτεΐνης καθορίζει τη λειτουργία της, και οι περισσότερες βιολογικές λειτουργίες εξαρτώνται από τις πρωτεΐνες. «Πτυχίσμα πρωτεΐνης» είναι το όνομα που δίνεται στη διαδικασία που μετατρέπει αλυσίδες αμινοξέων σε τριδιάστατες δομές που απαιτούνται για την εκτέλεση των λειτουργιών τους. Αν οι επιστήμονες μπορέσουν να καθορίσουν τη σχέση μεταξύ αμινοοξικών ακολουθιών και του σχήματος των πρωτεϊνών που τις παράγουν, μπορούν να καθορίσουν ποιες πρωτεΐνες επηρεάζουν διαφορετικές βιολογικές διαδικασίες.

Οι επιστήμονες υποθέτουν ότι υπάρχουν τουλάχιστον 80.000 πρωτεΐνες στο ανθρώπινο πρωτεϊνικό σύμπλεγμα, αλλά μόνο ένα μικρό ποσοστό αυτών των πρωτεϊνών έχουν γνωστές δομές. Η παραδοσιακή μέθοδος καθορισμού του σχήματος μιας πρωτεΐνης μπορεί να διαρκέσει χρόνια εργαστηριακών πειραμάτων, ακόμη και με τη χρήση αλγορίθμων και μοντέλων της επιστήμης των υπολογιστών. Η δουλειά που έγινε από την DeepMind μπορεί να επιταχύνει δραματικά τη διαδικασία ανακάλυψης των δομών των πρωτεϊνών, καθορίζοντας με αξιοπιστία τη δομή των πρωτεϊνών σε ένα κλάσμα του κανονικού χρόνου.

Οι ερευνητές στην DeepMind εκπαίδευσαν τους αλγόριθμους τους σε μια βάση δεδομένων που αποτελείται από περίπου 170.000 πρωτεϊνικές ακολουθίες και τα σχήματα που αντιστοιχούν σε αυτές. Οι αλγόριθμοι που αναπτύχθηκαν από τους ερευνητές εκπαιδεύτηκαν σε μεταξύ 100 και 200 GPU, και η διαδικασία εκπαίδευσης διήρκεσε quelques εβδομάδες. Το μοντέλο που αναπτύχθηκε από τους ερευνητές ονομάστηκε «AlphaFold».

Το AlphaFold λειτουργεί μέσω ενός «αλγορίθμου τάσης», αρχίζοντας να συνδέει μικρά κομμάτια της πρωτεΐνης μαζί και στη συνέχεια κλιμακώνεται για να συνδέσει μεγαλύτερα και μεγαλύτερα τμήματα. Μικρά σύμπλεγμα αμινοξέων συνδέθηκαν μαζί αρχικά, και στη συνέχεια ο αλγόριθμος προσπάθησε να βρει τρόπους για να συνδέσει αυτά τα σύμπλεγμα.

Οι ερευνητές του AlphaFold αρχικά προσπάθησαν να χρησιμοποιήσουν συμβατικούς αλγόριθμους deep learning σε γενετικά και δομικά δεδομένα για να προβλέψουν τη σχέση μεταξύ αμινοξέων και πρωτεϊνών. Το AlphaFold στη συνέχεια δημιούργησε μοντέλα συναίνεσης για το στυλ των πρωτεϊνών. Όταν αυτή η τεχνική αποδείχθηκε ότι είχε πολλές περιορισμοί, οι ερευνητές προσπάθησαν μια νέα στρατηγική. Η ομάδα ερευνών του AlphaFold δημιούργησε μοντέλα που εκπαιδεύτηκαν σε περισσότερες λειτουργίες, και αυτή τη φορά είχαν το μοντέλο να επιστρέφει προβλέψεις για τη τελική δομή των πρωτεϊνικών ακολουθιών.

Η ομάδα μηχανικών της DeepMind έθεσε το AlphaFold σε ένα διαγωνισμό όπου αλγόριθμοι υπολογιστών ανταγωνίζονται για να αξιολογήσουν τη δομή μιας πρωτεΐνης από αμινοοξικές ακολουθίες. Ο διαγωνισμός ήταν η «Κρίσιμη Αξιολόγηση της Προβλέψης της Δομής των Πρωτεϊνών» ή CASP. Οι συμμετέχοντες στο διαγωνισμό παρέχονται με 100 αμινοοξικές ακολουθίες και τα μοντέλα τους πρέπει να εργαστούν τη δομή των πρωτεϊνών. Όχι μόνο το AlphaFold νίκησε τους άλλους αλγόριθμους υπολογιστών όσον αφορά την ακρίβεια, αλλά επίσης εκτέλεσε παρόμοια με τις παραδοσιακές, εργαστηριακές μεθόδους. Το τελικό, μέσο σκορ του AlphaFold ήταν περίπου 92 από 100, με εργαστηριακές μεθόδους που έχουν ανατεθεί σε σκορ 90. Το μέσο σκορ του AlphaFold έπεσε στο 87% στις πιο δύσκολες πρωτεΐνες.

Σύμφωνα με τον Διευθύνοντα Σύμβουλο και συνιδρυτή της DeepMind, Demis Hassabis, η εταιρεία έχει ήδη σχέδια να δώσει στους ερευνητές πρόσβαση στο AlphaFold, με επιστήμονες από το Ινστιτούτο Μαξ Πλανκ για τη Βιολογία της Ανάπτυξης να χρησιμοποιούν ήδη το μοντέλο για να ανακαλύψουν δομές πρωτεϊνών που εργάζονταν πάνω τους για πάνω από eine δεκαετία.

Η Janet Thornton, διευθύντρια του Ευρωπαϊκού Ινστιτούτου Βιοπληροφορικής, δηλώθηκε μέσω του ScienceMag ότι τα επιτεύγματα της DeepMind «θα αλλάξουν το μέλλον της δομικής βιολογίας και της έρευνας των πρωτεϊνών». Εν τω μεταξύ, ο βιολόγος στο Πανεπιστήμιο του Maryland, Shady Grove, John Moult λέει ότι δεν σκέφτηκε ποτέ ότι το πρόβλημα του πτυχίσματος των πρωτεϊνών θα λυθεί σε αυτή τη ζωή.

Ενώ το AlphaFold είναι εξαιρετικά απίθανο να αντικαταστήσει完全 τις παραδοσιακές, πειραματικές μεθόδους ανακάλυψης των δομών των πρωτεϊνών,

μπορεί να αυξήσει δραματικά την ταχύτητα με την οποία ανακαλύπτονται οι δομές των πρωτεϊνών. Οι ερευνητές μπορεί να χρειαστούν λιγότερα υψηλής ποιότητας πειραματικά δεδομένα για να καθορίσουν τη δομή μιας πρωτεΐνης, και οι ερευνητές έχουν ήδη πρόσβαση σε ένα μεγάλο όγκο γενομικών δεδομένων που θα μπορούσαν να μεταφραστούν σε δομές χρησιμοποιώντας τις λύσεις του AlphaFold.