Tekoälyjärjestelmät keksivät sinisenvedon teko-proteiineille

Chicagon yliopiston Pritzkerin molekyyliteknologian kouluun (PME) kuuluvan tutkijaryhmän on vastikään onnistunut luomaan tekoälyjärjestelmä, joka pystyy luomaan kokonaan uusia, teko-proteiineja analysoimalla suuria tietoaineistoja.

Proteiinit ovat elämälle välttämättömiä makromolekyylejä, jotka ovat tärkeitä solujen elämälle yleensä. Proteiineja käytetään soluissa kemiallisina katalyytteina, jotta erilaiset kemialliset reaktiot voivat tapahtua ja monimutkaiset tehtävät voidaan suorittaa. Jos tutkijat pystyvät keksimään, miten teko-proteiineja voidaan luotettavasti suunnitella, se voisi avata ovia uusille tapoille hiilen sitouttamiseen, uusille energian tuotantotavoille ja uusille sairauksien hoitokeinoille. Teko-proteiinit voivat dramaattisesti muuttaa maailmaa, jossa elämme. PME:n tutkijoiden saavutus on tuonut tutkijat lähemmäs näihin tavoitteisiin.

Tutkijaryhmä loi koneoppimismalleja, jotka perustuivat tietoihin, jotka oli poimittu eri genomitietokannoista. Kun mallit oppivat, ne alkoivat tunnistaa yleisiä, perustuvia suunnittelusääntöjä, jotka mahdollistavat teko-proteiinien luomisen. Kun tutkijat ottivat nämä säännöt ja syntetisoivat vastaavat proteiinit laboratoriossa, he löysivät, että teko-proteiinit luomaan kemialliset reaktiot, jotka olivat lähes yhtä tehokkaita kuin luonnostaan esiintyvien proteiinien aikaansaamat reaktiot.

PME:n Joseph Regenstein -professori Rama Ranganathanin mukaan tutkijaryhmä totesi, että genomitiedot sisältävät valtavan määrän tietoa proteiinien perusrakenteista ja -funktioista. Käyttämällä koneoppimista tunnistamaan nämä yleiset rakenteet, tutkijat pystyivät “pakkaisi luonnon säännöt ja luomaan itse proteiineja”.

Tutkijat keskittyivät aineenvaihdunnan entsyymeihin, erityisesti korismataasi-proteiiniperheeseen, joka on välttämätön elämälle monissa kasveissa, sienissä ja bakteereissa.

Ranganathan ja hänen tutkijatoverinsa totesivat, että genomitietokannat sisältävät oivalluksia, jotka odottavat vain tutkijoiden löytämistä, mutta perinteiset menetelmät, joilla yritetään selvittää proteiinien rakenteen ja toiminnan sääntöjä, ovat saavuttaneet vain rajallista menestystä. Tutkijaryhmä päätti suunnitella koneoppimismalleja, jotka voivat paljastaa nämä suunnittelusäännöt. Mallien tulokset osoittavat, että uusia teko-jaumeja voidaan luoda säilyttämällä aminohappojen asemat ja korrelaatiot aminohappojen evoluutiossa.

Tutkijat loivat synteettisiä geenejä, jotka koodasivat aminohappojen järjestyksiä, jotka tuottavat nämä proteiinit. He kloonasivat bakteereja, joissa oli nämä synteettiset geenit, ja totesivat, että bakteerit käyttivät näitä synteettisiä proteiineja solujensa koneistossa, toimien lähes samoin kuin tavalliset proteiinit.

Ranganathanin mukaan yksinkertaiset säännöt, joita heidän tekoälynsä erotti, voidaan käyttää luomaan teko-proteiineja, jotka ovat uskomattoman monimutkaisia ja monipuolisia. Ranganathan selitti EurekaAlertille:

“Rajoitukset ovat paljon pienemmät kuin mitä olisimme koskaan ajatelleet. Luonnon suunnittelusäännöissä on yksinkertaisuutta, ja uskomme, että samanlaiset lähestymistavat voivat auttaa meitä etsimään malleja suunnittelulle myös muissa biologian monimutkaisissa järjestelmissä, kuten ekosysteemeissä tai aivoissa.”

Ranganathan ja hänen tutkijatoverinsa haluavat ottaa mallinsa ja yleistää ne, luomaan alustan, jonka avulla tutkijat voivat paremmin ymmärtää, miten proteiinit rakennetaan ja mitkä vaikutukset niillä on. He toivovat, että heidän tekoälyjärjestelmänsä voi auttaa muita tutkijoita löytämään proteiineja, jotka voivat ratkaista tärkeitä ongelmia, kuten ilmastonmuutosta. Ranganathan ja apulaisprofessori Andrew Ferguson ovat perustaneet yhtiön nimeltä Evozyne, jonka tavoitteena on kaupallistaa teknologia ja edistää sen käyttöä aloilla kuten maatalous, energia ja ympäristö.

Ymmärtäminen yleisyyksistä proteiineissa ja suhteista rakenteen ja toiminnan välillä voisi myös auttaa uusien lääkeaineiden ja hoitokeinojen kehittämisessä. Vaikka proteiinien taittaminen on pitkään ollut hyvin haasteellinen ongelma tietokoneille, Ranganathanin ryhmän mallien antamat oivallukset voivat auttaa nopeuttamaan laskelmia, joilla voidaan kehittää uusia lääkkeitä näiden proteiinien pohjalta. Lääkkeitä voidaan kehittää, jotka estävät proteiinien synteesiä viruksissa, mikä voisi auttaa hoidossa jopa uusia viruksia, kuten Covid-19-koronavirusta.

Ranganathan ja tutkijaryhmä tarvitsevat vielä ymmärtämään, miten ja miksi heidän mallinsa toimivat ja miten ne tuottavat luotettavia proteiinisuunnitelmia. Tutkijaryhmän seuraava tavoite on ymmärtää, mitkä ominaisuudet mallit ottaa huomioon johtopäätöksiinsä.