AlphaProteo: Google DeepMindin läpimurto proteiinisuunnittelussa

Molekyylibiologian jatkuvasti kehittyvässä alalla yksi haastavimmista tehtävistä on ollut suunnitella proteiineja, jotka voivat tehokkaasti sitoutua tiettyihin kohteisiin, kuten viruksien proteiineihin, syöpätunnusten tai immuunijärjestelmän komponentteihin. Nämä proteiinien sitoutumiset ovat tärkeitä työkaluja lääkekehityksessä, tautien hoidossa, diagnostiikassa ja bioteknologiassa. Perinteiset näiden proteiinien sitoutumisen luomiseen käytettävät menetelmät ovat työläitä, aikaa vieviä ja usein vaativat useita optimointikierroksia. Viimeaikaiset edistysaskeleet tekoälyssä (AI) kiihdyttävät kuitenkin tämän prosessin merkittävästi.

Syyskuussa 2024 Neuralink asensi onnistuneesti aivochipinsä toiseen ihmiskoehenkilöön osana sen kliinisiä kokeita, puskiessaan rajaa siitä, mitä aivokone-liittymät voivat saavuttaa. Tämä implanti mahdollistaa yksilöiden ohjata laitteita pelkästään ajatuksillaan.

Samaan aikaan DeepMindin AlphaProteo on noussut merkittäväksi tekoälytyökaluksi, joka suunnittelee uusia proteiineja biologian suurimpien haasteiden ratkaisemiseksi. Toisin kuin edeltävät mallit kuten AlphaFold, jotka ennustavat proteiinirakenteita, AlphaProteo ottaa vastaan edistyneemmän tehtävän luomalla uusia proteiinien sitoutumisia, jotka voivat tiiviisti kiinnittyä tiettyihin molekulaarisiin kohteisiin. Tämä kyky voisi dramaattisesti kiihdyttää lääkekehitystä, diagnostiikkavälineitä ja jopa biosensoreiden kehitystä. Esimerkiksi varhaisissa kokeissa AlphaProteo on onnistuneesti suunnitellut sitoutumisia SARS-CoV-2 piikkiproteiinille ja syövän ja tulehdusten proteiineille, osoittaen sitoutumisaffiniteettejä, jotka olivat 3-300 kertaa vahvempia kuin olemassa olevat menetelmät.

Se, mikä tekee tämän biologian ja tekoälyn leikkauksen vielä houkuttelevammaksi, on näiden edistysaskelten heijastus laajempaan bio-digitaaliseen integraatioon.

Vuonna 2024 tekoälyn ja biologian yhdistämisen edistysaskeleet ovat saavuttaneet ennennäkemättömän tason, ajamalla innovaatioita lääkekehityksestä, henkilökohtaisesta lääketieteestä ja synteettisestä biologiasta. Tässä on yksityiskohtainen katsaus joihinkin tämän vuoden muokkaavista läpimurroista:

1. AlphaFold3 ja RoseTTAFold Diffusion: Seuraavan sukupolven proteiinisuunnittelu

Vuoden 2024 julkaisu AlphaFold3 Google DeepMindilta on vienyt proteiinirakenteen ennustamisen uudelle tasolle sisällyttämällä biomolekyylirakenteita ja laajentamalla sen ennusteita koskemaan myös pieniä molekyylejä ja ligaaneja. AlphaFold3 käyttää diffuusiopohjaista tekoälymallia proteiinirakenteiden hienosäätöön, samalla tavoin kuin tekoälyllä generoidut kuvat luodaan karkeista luonnoksista. Tämä malli on erityisen tarkin ennustamassa, miten proteiinit vuorovaikuttavat ligaaneiden kanssa, vaikuttavalla 76%:n tarkinimityyppiä kokeellisissa testeissä – selvästi edellä kilpailijoitaan.

Samanaikaisesti RoseTTAFold Diffusion on esitellyt uusia kykyjä, mukaan lukien mahdollisuuden suunnitella uusia proteiineja, jotka eivät ole luonnossa. Vaikka molemmat järjestelmät ovat edelleen parantamassa tarkinimityytensä ja soveltamista, heidän edistysaskelensa odotetaan vaikuttavan ratkaisevasti lääkekehitykseen ja biolääketieteelliseen tutkimukseen, mahdollisesti lyhentäen uusien lääkeaineiden suunnitteluaikaan.

2. Synteettinen biologia ja geenisääntö

Toinen merkittävä edistysaskel vuonna 2024 on ollut synteettisessä biologiassa, erityisesti geenisääntötyökalujen parissa. CRISPR-Cas9 ja muut geeninmuokkauksen työkalut on hienosäädetty tarkemmaksi DNAn korjaamiseksi ja geeninmuokkaukseksi. Yritykset kuten Graphite Bio käyttävät näitä työkaluja korjaamaan geneettisiä mutaatioita ennennäkemättömällä tarkkuudella, avaamalla ovia mahdollisesti parantaville hoidoille geneettisille sairauksille. Tämä menetelmä, jota kutsutaan homologiseksi korjausmenetelmäksi, hyödyntää kehon luonnollisia DNA-korjausmekanismeja virheellisten geenien korjaamiseksi.

Lisäksi innovaatiot ennustavissa sivutuotteiden arvioissa, kuten SeQure Dx:n kehittämät, parantavat geenisäännön turvallisuutta tunnistamalla tahattomat muutokset ja lieventämällä riskejä. Nämä edistysaskeleet ovat erityisen tärkeitä varmistaakseen, että geenihoito on turvallinen ja tehokas ennen kuin se sovelletaan ihmispotilaisiin.

3. Yksittäisen solun sekvensointi ja metagenomiikka

Teknologiat kuten yksittäisen solun sekvensointi ovat saavuttaneet uudet korkeudet vuonna 2024, tarjoten ennennäkemättömän tarkkuuden solutasolla. Tämä mahdollistaa tutkijoiden tutkia solutasolla olevaa heterogeenisuutta, mikä on erityisen arvokasta syöpätutkimuksessa. Analysoimalla yksittäisiä soluja kasvaimessa tutkijat voivat tunnistaa, mitkä solut ovat vastustuskykyisiä hoidolle, ohjaamalla tehokkaampia hoitestrategioita.

Samaan aikaan metagenomiikka tarjoaa syvät näkymät mikrobiyhteisöihin, sekä ihmisen terveyden että ympäristön kannalta. Tämä tekniikka auttaa analysoimaan microbiomi:a ymmärtääkseen, miten mikrobiyhteisöt osallistuvat sairauksiin, tarjoten uusia hoitoväyliä, jotka kohdistuvat suoraan microbiomiin.

Proteiinisuunnittelun pelinmuuttaja

Proteiinit ovat perustavanlaatuisia lähes jokaisessa elävien organismien prosessissa. Nämä molekulaariset koneet suorittavat laajan valikoiman tehtäviä, katalysoimalla aineenvaihduntareaktioita DNA:n replikointiin. Se, mikä tekee proteiineista niin monikäyttöisiä, on kykynsä taittua monimutkaisiin kolmiulotteisiin muotoihin, sallien niiden vuorovaikuttaa muiden molekyylien kanssa. Proteiinien sitoutumiset, jotka tiiviisti kiinnittyvät tiettyihin kohdemolekyyleihin, ovat välttämättömiä näiden vuorovaikutusten säätelyssä ja ne ovat usein käytössä lääkekehityksessä, immunoterapiassa ja diagnostiikkavälineissä.

Perinteinen prosessi proteiinien sitoutumisen suunnittelussa on hidasta ja riippuu voimakkaasti koehenkilökohtaisesta kokeilusta. Tutkijat usein joutuvat käymään läpi suuria proteiinisekvenssikirjastoja, testaen kunkin ehdokkaan laboratoriossa nähdäkseen, mitkä toimivat parhaiten. AlphaProteo muuttaa tämän paradigman hyödyntämällä tekoälyn voimaa ennustaa, mitkä proteiinisekvenssit sitoutuvat tehokkaasti kohdemolekyyliin, dramaattisesti vähentäen perinteisten menetelmien aikaa ja kustannuksia.

Miten AlphaProteo toimii

AlphaProteo perustuu samoihin tekoälyperusteisiin, jotka tekivät sen edeltäjästä, AlphaFoldista, merkittävän työkalun proteiinirakenteen ennustamiseen. Vaikka AlphaFold keskittyy ennustamaan olemassa olevien proteiinien rakenteita, AlphaProteo ottaa askeleen eteenpäin suunnittelemalla täysin uusia proteiineja.

Miten AlphaProteo toimii: Syvä sukellus tekoälypohjaiseen proteiinisuunnitteluun

AlphaProteo edustaa merkittävää harppausta tekoälyohjatussa proteiinisuunnittelussa, jatkamalla siitä, mihin sen edeltäjä AlphaFold jää.

Vaikka AlphaFold vallankumous teki proteiinirakenteen ennustamisessa ennennäkemättömän tarkin, AlphaProteo menee pidemmälle luomalla täysin uusia proteiineja, suunniteltuja ratkaisemaan biologian suurimmat haasteet.

AlphaProteo:n perusrakenteena on sofistikoitu yhdistelmä generatiivista mallia, joka on koulutettu laajoilla proteiinirakenteiden tietokannoilla, mukaan lukien Protein Data Bank (PDB):n tietokanta ja miljoonat AlphaFoldilla ennustetut rakenteet. Tämä mahdollistaa AlphaProteo:n ei ainoastaan ennustaa, miten proteiinit taittuvat, vaan myös suunnitella uusia proteiineja, jotka voivat vuorovaikuttaa tiettyjen molekulaaristen kohdejärjestelmien kanssa yksityiskohtaisella, molekyylitasolla.

Tämä kaavio esittää AlphaProteo:n työnkulun, jossa proteiinien sitoutumiset suunnitellaan, suodatetaan ja validoitaan kokeellisesti

• Generaattori: AlphaProteo:n tekoälypohjainen malli generoi useita potentiaalisia proteiinien sitoutumisia hyödyntäen laajoja tietokantoja, kuten Protein Data Bank (PDB) ja AlphaFold-ennusteita.
• Suodatin: Kriittinen komponentti, joka arvioi näitä generoituja sitoutumisia niiden onnistumisen todennäköisyyden perusteella kohdeproteiiniin, tehokkaasti vähentäen suunnitelmien määrää, jotka tarvitsevat laboratoriotestien kokeilemista.
• Koe: Tämä vaihe sisältää näiden suodatettujen suunnitelmien testaamisen laboratoriossa vahvistaakseen, mitkä sitoutumiset toimivat tehokkaasti kohdeproteiinin kanssa.

AlphaProteo suunnittelee sitoutumisia, jotka kohdistuvat tarkasti avainkohtia (keltaisella) proteiinin pinnalla. Sininen osa edustaa suunniteltua sitoutumista, joka on mallinnettu vuorovaikuttaakseen tarkasti kohdeproteiinin korostettujen kohtien kanssa.

Kuvan C-osassa näkyvät kohdeproteiinien 3D-mallit, joita käytetään AlphaProteo:n kokeissa. Nämä sisältävät terapeuttisesti merkittäviä proteiineja, jotka osallistuvat erilaisiin biologisiin prosesseihin, kuten immuunivasteeseen, virustartuntoihin ja syöpään.

AlphaProteo:n edistyneet kyvyt

1. Korkea sitoutumisaffiniteetti: AlphaProteo erottuu suunnittelemalla proteiinien sitoutumisia, joilla on korkea affiniteetti kohteilleen, ylittäen perinteiset menetelmät, jotka usein vaativat useita laboratoriotestien optimointikierroksia. Se generoi proteiinien sitoutumisia, jotka kiinnittyvät tiiviisti niiden tarkoitetuille kohteille, parantaen merkittävästi niiden soveltamista lääkekehityksessä ja diagnostiikassa. Esimerkiksi sen sitoutumiset VEGF-A:lle, proteiinille, joka liittyy syöpään, osoittivat sitoutumisaffiniteettejä, jotka olivat jopa 300 kertaa vahvempia kuin olemassa olevat menetelmät.
2. Monipuoliset proteiinit: AlphaProteo pystyy suunnittelemaan sitoutumisia laajalle valikoimalle proteiineja, jotka osallistuvat kriittisiin biologisiin prosesseihin, mukaan lukien ne, jotka liittyvät virustartuntoihin, syöpään, tulehduksiin ja autoimmuunisairauksiin. Se on ollut erityisen onnistunut suunnittelemassa sitoutumisia kohdeproteiineille kuten SARS-CoV-2 piikkiproteiinille ja syövän liittyvälle proteiinille VEGF-A:lle, joka on oleellinen hoitojen kehityksessä, kuten diabeettisen retinopatian hoidossa.
3. Kokeellinen onnistumisaste: Yksi AlphaProteo:n vaikuttavimmista ominaisuuksista on sen korkea kokeellinen onnistumisaste. Laboratoriotesteissä järjestelmän suunnittelemat sitoutumiset osoittivat korkean onnistumisasteen sitoutumisessa kohdeproteiineihin, vähentäen kokeellisten kierrosten määrää, jotka tyypillisesti vaaditaan. Kokeissa BHRF1-virukselle AlphaProteo:n suunnitelmat saavuttivat 88%:n onnistumisasteen, merkittävän parannuksen aiempiin menetelmiin nähden.
4. Optimointivapaa suunnittelu: Toisin kuin perinteiset lähestymistavat, jotka usein vaativat useita optimointikierroksia parantamaan sitoutumisaffiniteettia, AlphaProteo pystyy generoimaan sitoutumisia, joilla on vahva sitoutumisominaisuus alusta alkaen. Joidenkin haastavien kohdeproteiinien, kuten syövässä mukana olevan TrkA-proteiinin, osalta AlphaProteo tuotti sitoutumisia, jotka ylittivät ne, jotka kehitettiin laajojen kokeellisten optimointien kautta.

Kokeellinen onnistumisaste (Vasen kaavio) – Paras sitoutumisaffiniteetti (Oikea kaavio)

• AlphaProteo ylitti perinteiset menetelmät useimmissa kohteissa, saavuttaen merkittävästi 88%:n onnistumisasteen BHRF1:llä verrattuna perinteisten menetelmien alle 40%:iin.
• AlphaProteo:n menestys VEGF-A ja IL-7RA -kohteilla oli selvästi korkeampi, osoittaen sen kyvyn käsitellä haastavia kohteita syövän hoidossa.
• AlphaProteo myös jatkuvasti generoi sitoutumisia, joilla on paljon korkeampi sitoutumisaffiniteetti, erityisesti haastaville proteiineille kuten VEGF-A:lle, mikä tekee siitä arvokkaan työkalun lääkekehityksessä ja tautien hoidossa.

Miten AlphaProteo edistää sovelluksia biologiassa ja terveydenhuollossa

AlphaProteo:n uudenlainen lähestymistapa proteiinisuunnitteluun avaa laajan sovellusvalikoiman, tehden siitä voimakkaan työkalun useilla biologian ja terveydenhuollon aloilla.

1. Lääkekehitys

Nykyinen lääkekehitys usein riippuu pienistä molekyyleistä tai biologisista aineista, jotka sitoutuvat sairauksiin liittyviin proteiineihin. Lääkkeiden kehittäminen on kuitenkin usein aikaa vievää ja kallista. AlphaProteo kiihdyttää tätä prosessia generoimalla korkean affiniteetin proteiinien sitoutumisia, jotka voivat toimia uusien lääkkeiden perustana. Esimerkiksi AlphaProteo on käytetty suunnittelemaan sitoutumisia PD-L1:lle, proteiinille, joka osallistuu immuunijärjestelmän säätelyyn, ja jolla on keskeinen rooli syövän immunoterapiassa. Estämällä PD-L1, AlphaProteo:n sitoutumiset voivat auttaa immuunijärjestelmää tunnistamaan ja hävittämään syöpäsolut paremmin.

2. Diagnostiikkavälineet

Diagnostiikassa AlphaProteo:n suunnittelemat proteiinien sitoutumiset voivat olla hyvin herkkä biosensoreita, jotka voivat havaita tautispesifejä proteiineja. Tämä voi mahdollistaa tarkemmat ja nopeammat diagnoosit sairauksille, kuten virustartunnille, syövälle ja autoimmuunisairauksille. Esimerkiksi AlphaProteo:n kyky suunnitella sitoutumisia SARS-CoV-2:lle voisi johtaa nopeampiin ja tarkempiin COVID-19-diagnostiikkavälineisiin.

3. Immunoterapia

AlphaProteo:n kyky suunnitella erittäin spesifejä proteiinien sitoutumisia on erityisen arvokasta immunoterapian alalla. Immunoterapiat hyödyntävät kehon immuunijärjestelmää taistelussa sairauksia vastaan, mukaan lukien syöpä. Yksi haaste tässä alalla on kehittää proteiineja, jotka voivat sitoutua ja säädellä immuunivastetta tehokkaasti. AlphaProteo:n tarkkuus kohdistamalla tiettyjä proteiineja immuunisoluihin voi parantaa uusien, tehokkaampien immunoterapioiden kehittämistä.

4. Bioteknologia ja biosensorit

AlphaProteo:n suunnittelemat proteiinien sitoutumiset ovat myös arvokkaita bioteknologiassa, erityisesti biosensoreiden luomisessa – laitteissa, jotka havaitsevat tiettyjä molekyylejä erilaisissa ympäristöissä. Biosensorit soveltuvat ympäristön seurantaan, elintarviketurvallisuuteen ja muihin sovelluksiin. AlphaProteo:n sitoutumiset voivat parantaa näiden laitteiden herkkyyttä ja spesifisyyttä, tehdäkseen niistä luotettavampia havaittaessa haitallisia aineita.

Rajoitukset ja tulevat suunnat

Kuten kaikissa uusissa teknologioissa, AlphaProteo:lla on myös rajoituksia. Esimerkiksi järjestelmä kamppaili tehokkaiden sitoutumisten suunnittelussa TNFα:lle, haastavalle kohteelle, joka liittyy autoimmuunisairauksiin kuten reumatauteihin. Tämä korostaa, että vaikka AlphaProteo on erittäin tehokas useimmille kohteille, sillä on edelleen parantamisen varaa.

DeepMind työskentelee aktiivisesti laajentamaan AlphaProteo:n kykyjä, erityisesti haastavien kohdeproteiinien, kuten TNFα:n, käsittelyssä. Tiimi tutkii myös uusia sovelluksia teknologialle, mukaan lukien AlphaProteo:n käytön viljelykasvien parantamiseen ja ympäristön kestävyyteen.

Johtopäätös

Vähentämällä merkittävästi perinteisten proteiinisuunnittelumenetelmien aikaa ja kustannuksia, AlphaProteo kiihdyttää innovaatiota biologiassa ja lääketieteessä. Sen onnistuminen luomassa proteiinien sitoutumisia haastaville kohteille, kuten SARS-CoV-2 piikkiproteiinille ja VEGF-A:lle, osoittaa sen potentiaalia ratkaista jotkut ajankohtaisimmat terveyden haasteet.

Kun AlphaProteo jatkaa evoluutiotaan, sen vaikutus tieteeseen ja yhteiskuntaan vain kasvaa, tarjoten uusia työkaluja elämän ymmärtämiseen molekyylitasolla ja avaen uusia mahdollisuuksia sairauksien hoidolle.