AlphaProteo: Google DeepMindin läpimurto proteiinisuunnittelussa

Molekyylibiologian jatkuvasti kehittyvässä alalla yksi haasteellisimmista tehtävistä on ollut suunnitella proteiineja, jotka voivat tehokkaasti sitoutua tiettyihin kohteisiin, kuten viruksille, syöpätunnusmerkeille tai immuunijärjestelmän komponenteille. Nämä proteiinisitoutumiset ovat olennaisia työkaluja lääkekehityksessä, tautien hoidossa, diagnostiikassa ja biotekniikassa. Perinteiset menetelmät näiden proteiinisitoutumien luomiseksi ovat työläitä, aikaa vieviä ja usein vaativat useita optimointikierroksia. Viimeaikaiset edistysaskeleet tekoälyssä (AI) kiihdyttävät kuitenkin tämän prosessin merkittävästi.

Syyskuussa 2024 Neuralink onnistui istuttamaan aivoimplantin toiseen ihmiskokeilijaan osana sen kliinisiä kokeita, ja se on edennyt rajalle siinä, mitä aivo-tietokone-liitännät voivat saavuttaa. Tämä implanti mahdollistaa yksilöiden ohjata laitteita pelkästään ajatuksillaan.

Samaan aikaan Google 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 askeleen eteenpäin luomalla uusia proteiineja, jotka voivat sitoutua tiettyihin molekulaarisiin kohteisiin. Tämä kyky voi dramaattisesti kiihdyttää lääkekehitystä, diagnostiikkatyökalujen kehittämistä ja jopa biosensoreiden kehittämistä. Esimerkiksi varhaisissa kokeissa AlphaProteo on onnistunut suunnittelemassa sitoutumisia SARS-CoV-2-piikkiproteiinille ja syöpään ja tulehdusta aiheuttaviin proteiineihin, osoittaen sitoutumisaffiniteetteja, jotka olivat 3-300 kertaa voimakkaampia kuin olemassa olevat menetelmät.

Tämä biologian ja tekoälyn leikkauksen yhdistyminen on vielä houkuttelevampaa, kun huomioidaan, miten nämä edistysaskeleet neuroliitännäissä ja proteiinisuunnittelussa heijastelevat laajempaa siirtymistä bio-digitaaliseen integraatioon.

Vuonna 2024 tekoälyn ja biologian yhdistämisen edistysaskeleet ovat saavuttaneet ennennäkemättömiä tasoa, ajamalla innovaatioita lääkekehityksen, henkilökohtaistetun lääketieteen ja synteettisen biologian kaltaisilla aloilla. Tässä on yksityiskohtainen katsaus joistakin avainläpimurroista, jotka muokkaavat maisemaa tänä vuonna:

1. AlphaFold3 ja RoseTTAFold Diffuusio: Seuraavan sukupolven proteiinisuunnittelu

Google DeepMindin AlphaFold3:n julkaisu vuonna 2024 on vienyt proteiinirakenteen ennustamisen uudelle tasolle sisällyttämällä biomolekyylirakenteita ja laajentamalla ennusteitaan käsittämään pieniä molekyylejä ja ligaaneja. AlphaFold3 käyttää diffuusiopohjaista tekoälymallia proteiinirakenteiden hienosäätöön, samalla tavoin kuin tekoälyluotut kuvat luodaan karkeista luonnoksista. Tämä malli on erityisen tarkin ennustamassa, miten proteiinit vuorovaikuttavat ligaaneiden kanssa, vaikuttavalla 76%:n tarkin ennustusten osuvuudella kokeellisissa testeissä – selvästi edellä kilpailijoitaan.

Samaan aikaan RoseTTAFold Diffuusio on esitellyt uusia kykyjä, mukaan lukien mahdollisuuden suunnitella de novo -proteiineja, jotka eivät ole luonnosta peräisin. Vaikka molemmat järjestelmät ovat edelleen parantamassa tarkin ja soveltamista, niiden edistysaskeleet odotetaan pelaavan ratkaisevan roolin lääkekehityksessä ja biolääkekehityksessä, mahdollisesti leikkaamalla aikaa, joka kuluu uusien lääkeaineiden suunnitteluun.

2. Synteettinen biologia ja geenisnipaaminen

Toinen merkittävä edistysaskel vuonna 2024 on ollut synteettisessä biologiassa, erityisesti geenisnipaamisen alalla. CRISPR-Cas9 ja muut geeniteknologiat on parannettu tarkemmaksi DNA-korjaamiseksi ja geenisnipaamiseksi. Yritykset kuten Graphite Bio (GRPH ) käyttävät näitä työkaluja korjaamaan geneettisiä mutaatioita ennennäkemättömällä tarkkuudella, avaamalla ovia mahdollisesti parantaville hoidoille geneettisille sairauksille. Tämä menetelmä, jota kutsutaan homologiajohtaiseksi korjaamiseksi, hyödyntää kehon luonnollisia DNA-korjausmekanismeja virheellisten geenien korjaamiseksi.

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

3. Yksisolusekvensointi ja metagenomiikka

Teknologiat kuten yksisolusekvensointi ovat saavuttaneet uudet korkeudet vuonna 2024, tarjoten ennennäkemättömän resoluution solutasolla. Tämä mahdollistaa tutkijoille solujen heterogeenisuuden tutkimisen, mikä on erityisen arvokasta syöpätutkimuksessa. Analysoimalla yksittäisiä soluja kasvaimessa tutkijat voivat tunnistaa, mitkä solut ovat vastustuskykyisiä hoidolle, johdaten tehokkaampia terapeuttisia strategioita.

Samaan aikaan metagenomiikka antaa syvät näkymät mikrobiyhteisöihin sekä ihmisen terveyden että ympäristön kannalta. Tämä tekniikka auttaa analysoimaan mikrobiomiin ymmärtääkseen, miten mikrobiyhteisöt vaikuttavat sairauksiin, tarjoten uusia hoitovaihtoehtoja, jotka kohdistuvat mikrobiomiin suoraan.

Proteiinisuunnittelun pelinmuuttaja

Proteiinit ovat perustavanlaatuisia lähes jokaisessa elävän olennon prosessissa. Nämä molekulaariset koneet suorittavat laajan valikoiman tehtäviä, katalysoimalla aineenvaihduntareaktioita DNA:n replikointiin. Se, mikä tekee proteiineista niin monipuolisia, on niiden kyky muodostaa monimutkaisia kolmiulotteisia muotoja, mahdollistaen niiden vuorovaikutuksen muiden molekyylien kanssa. Proteiinisitoutumiset, jotka sitoutuvat tiiviisti tiettyihin kohdemolekyyleihin, ovat olennaisia säätellessään näitä vuorovaikutuksia ja ovat usein käytössä lääkekehityksessä, immunoterapiassa ja diagnostiikkatyökaluissa.

Perinteinen prosessi proteiinisitoutumien suunnittelussa on hidasta ja perustuu voimakkaasti koehenkilökohtaiseen kokeiluun. Tieteilijät usein joutuvat käymään läpi suuria proteiinisekvenssikirjastoja, testaen jokaista ehdokasta laboratoriossa, nähdäkseen, mitkä toimivat parhaiten. AlphaProteo muuttaa tämän paradigman hyödyntämällä tekoälyä ennustamaan, mitkä proteiinisekvenssit sitoutuvat tehokkaasti kohdemolekyyliin, dramaattisesti vähentäen aikaa ja kustannuksia, jotka liittyvät perinteisiin menetelmiin.

Miten AlphaProteo toimii

AlphaProteo perustuu samoihin syvän oppimisen periaatteisiin, jotka tekivät sen edeltäjästä, AlphaFoldista, uraauurtavan työkalun proteiinirakenteen ennustamiseksi. Vaikka AlphaFold keskittyy ennustamaan olemassa olevien proteiinien rakenteen, AlphaProteo menee askelen eteenpäin suunnittelemalla kokonaan uusia proteiineja.

Miten AlphaProteo toimii: Syvästi tekoälyohjattuun proteiinisuunnitteluun

AlphaProteo edustaa askelta eteenpäin tekoälyohjatussa proteiinisuunnittelussa, jatkaen edeltäjänsä, AlphaFoldin, kehittämää tekoälytekniikkaa.

Siitä huolimatta, että AlphaFold vallankumousmaisesti ennusti proteiinirakenteita ennennäkemättömällä tarkkuudella, AlphaProteo menee pidemmälle luomalla kokonaan uusia proteiineja, jotka on suunniteltu ratkaisemaan tiettyjä biologisia haasteita.

AlphaProteon perustava arkkitehtuuri on sofistikoitunut yhdistelmä generatiivista mallia, joka on koulutettu suurilla proteiinirakennedataseteilla, mukaan lukien ne, jotka ovat peräisin Proteiinitietokannasta (PDB) ja miljoonista AlphaFoldin ennustamista rakenteista. Tämä mahdollistaa AlphaProteolle ei ainoastaan ennustaa, miten proteiinit taittuvat, vaan myös suunnitella uusia proteiineja, jotka voivat vuorovaikuttaa tiettyjen molekulaaristen kohdemolekyylien kanssa yksityiskohtaisella, molekyylitasolla.

Tämä kaavio esittää AlphaProteon työnkulun, jossa proteiinisitoutumiset suunnitellaan, suodatetaan ja kokeellisesti validoidaan

• Generaattori: AlphaProteon tekoälypohjainen malli generoi useita potentiaalisia proteiinisitoutumisia hyödyntäen suuria tietokantoja, kuten Proteiinitietokantaa (PDB) ja AlphaFoldin ennusteita.
• Suodatin: Kriittinen komponentti, joka arvioi näitä generoituja sitoutumisia niiden sitoutumismahdollisuuksien perusteella kohdeproteiiniin, tehokkaasti vähentäen sitoutumisten määrää, jotka tarvitsevat kokeellista testausta.
• Koe: Tämä vaihe käsittää näiden suodatettujen suunnitelmien testaamisen laboratoriossa vahvistaakseen, mitkä sitoutumiset toimivat tehokkaasti kohdeproteiinin kanssa.

AlphaProteo suunnittelee sitoutumisia, jotka kohdistuvat tiettyihin avainkohteen aminohappoihin (keltaisella) pinnalla. Sininen osa edustaa suunniteltua sitoutumista, joka on mallinnettu vuorovaiktuakseen tarkasti korostettujen kohdistimien kanssa kohdeproteiinissa.

Kuvan C-osassa nähdään kohdeproteiinien 3D-mallit, joita käytetään AlphaProteon kokeissa. Niihin kuuluvat terapeuttisesti merkittävät proteiinit, jotka osallistuvat erilaisiin biologisiin prosesseihin, kuten immuunivasteeseen, virustartuntoihin ja syöpään.

AlphaProteon edistyneet kyvyt

1. Korkea sitoutumisaffiniteetti: AlphaProteo erottuu suunnittelemalla proteiinisitoutumisia, joilla on korkea affiniteetti kohteilleen, ylittäen perinteiset menetelmät, jotka usein vaativat useita laboratoriossa tehtäviä optimointikierroksia. Se generoi proteiinisitoutumisia, jotka kiinnittyvät tiiviisti tarkoituksellisiin kohteisiinsa, parantaen merkittävästi niiden tehokkuutta sovelluksissa, kuten lääkekehityksessä ja diagnostiikassa. Esimerkiksi sen sitoutumiset VEGF-A:lle, proteiinille, joka liittyy syöpään, osoittivat sitoutumisaffiniteetteja, jotka olivat jopa 300 kertaa voimakkaampia 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, tulehdukseen ja autoimmuunisairauksiin. Se on ollut erityisen menestyksekäs suunnitellessaan sitoutumisia kohdemerkinnöille, kuten SARS-CoV-2-piikkiproteiinille, joka on olennainen COVID-19-tartunnan kannalta, ja VEGF-A:lle, joka on tärkeä hoitojen kehittämisessä diabeettiseen retinopatiaan.
3. Kokeellinen onnistumisprosentti: Yksi AlphaProteon vaikuttavimmista ominaisuuksista on sen korkea kokeellinen onnistumisprosentti. Laboratoriotesteissä järjestelmän suunnittelemat sitoutumiset osoittivat korkean onnistumisprosentin sitoutumisessa kohdeproteiineihin, vähentäen kokeellisten kierrosten määrää, jotka tyypillisesti vaaditaan. Kokeissa BHRF1-viraaliproteiinilla AlphaProteon suunnitelmat saavuttivat 88%:n onnistumisprosentin, merkittävä parannus verrattuna aiempiin menetelmiin.
4. Optimointivapaa suunnittelu: Toisin kuin perinteiset lähestymistavat, jotka usein vaativat useita optimointikierroksia parantamaan sitoutumisaffiniteettiä, AlphaProteo pystyy generoimaan sitoutumisia, joilla on vahvat sitoutumisominaisuudet alusta alkaen. Joidenkin haastavien kohdemerkintöjen, kuten syöpäproteiini TrkA:n, kohdalla AlphaProteo tuotti sitoutumisia, jotka ylittivät ne, jotka kehitettiin laajojen kokeellisten optimointien kautta.

Kokeellinen onnistumisprosentti (vasen kaavio) – Paras sitoutumisaffiniteetti (oikea kaavio)

• AlphaProteo ylitti perinteiset menetelmät useimmissa kohteissa, saavuttaen erityisen mainittavan 88%:n onnistumisprosentin BHRF1:llä verrattuna aiempiin menetelmiin, jotka saavuttivat alle 40%:n.
• AlphaProteon menestys VEGF-A ja IL-7RA -kohteilla oli merkittävästi korkeampi, osoittaen sen kyvyn ratkaista haasteellisia kohteita syövän hoidossa.
• AlphaProteo myös jatkuvasti generoi sitoutumisia, joilla on paljon voimakkaampi affiniteetti, erityisesti haasteellisille proteiineille kuten VEGF-A:lle, mikä tekee siitä arvokkaan työkalun lääkekehityksessä ja tautien hoidossa.

Miten AlphaProteo edistää biologian ja terveydenhuollon sovelluksia

AlphaProteon uudenlainen lähestymistapa proteiinisuunnitteluun avaa laajan valikoiman sovelluksia, tehden siitä voimakkaan työkalun useilla biologian ja terveydenhuollon aloilla.

1. Lääkekehitys

Moderni lääkekehitys usein perustuu pieniin molekyyleihin tai biologisiin aineisiin, jotka sitoutuvat tautia aiheuttaviin proteiineihin. Lääkekehitys on kuitenkin usein aikaa vievää ja kallista. AlphaProteo kiihdyttää tätä prosessia generoimalla korkean affiniteetin proteiinisitoutumisia, jotka voivat toimia uusien lääkkeiden perustana. Esimerkiksi AlphaProteo on käytetty suunnittelemaan sitoutumisia PD-L1:lle, proteiinille, joka osallistuu immuunijärjestelmän säätelyyn ja on avainroolissa syövän immunoterapiassa. Estämällä PD-L1, AlphaProteon suunnittelemat sitoutumiset voivat auttaa immuunijärjestelmää tunnistamaan ja hävittämään syöpäsoluja tehokkaammin.

2. Diagnostiikkatyökalut

Diagnostiikassa AlphaProteon suunnittelemat proteiinisitoutumiset voivat käytössä luoda erittäin herkkäitä biosensoreita, jotka voivat havaita tautiin liittyviä proteiineja. Tämä voi mahdollistaa tarkemmat ja nopeammat diagnoosit sairauksille, kuten virustartunnat, syöpä ja autoimmuunisairaudet. Esimerkiksi AlphaProteon kyky suunnitella sitoutumisia SARS-CoV-2:lle voisi johtaa nopeampiin ja tarkempiin COVID-19-diagnostiikkatyökaluihin.

3. Immunoterapia

AlphaProteon kyky suunnitella erittäin spesifisiä proteiinisitoutumisia on erityisen arvokasta immunoterapiassa. Immunoterapiat hyödyntävät kehon immuunijärjestelmää taistelussa sairauksia vastaan, mukaan lukien syöpä. Yksi haaste tässä alalla on kehittää proteiineja, jotka voivat sitoutua ja säädellä immuunivastetta tehokkaasti. AlphaProteon tarkkuus kohdistamalla tiettyjä proteiineja immuunisolujen pinnalla voi parantaa uusien, tehokkaampien immunoterapien kehittämistä.

4. Biotekniikka ja biosensorit

AlphaProteon suunnittelemat proteiinisitoutumiset ovat myös arvokkaita biotekniikassa, erityisesti biosensoreiden luomisessa – laitteissa, jotka havaitsevat tiettyjä molekyylejä erilaisissa ympäristöissä. Biosensorit soveltuvat ympäristön seurantaan, elintarvikkeiden turvallisuuteen ja muihin sovelluksiin. AlphaProteon suunnittelemat sitoutumiset voivat parantaa näiden laitteiden herkkyyttä ja spesifisyyttä, tehdäkseen niistä luotettavampia havaitsemaan haitallisia aineita.

Rajoitukset ja tulevaisuuden suunta

Kuten kaikissa uusissa teknologioissa, myös AlphaProteolla on rajoituksia. Esimerkiksi järjestelmä kamppaili suunnitellessaan tehokkaita sitoutumisia TNF𝛼-proteiinille, joka on haasteellinen kohde, liittyen autoimmuunisairauksiin kuten reumatauteihin. Tämä korostaa, että vaikka AlphaProteo on erittäin tehokas useille kohteille, sillä on edelleen parantamisen varaa.

DeepMind työskentelee aktiivisesti laajentaakseen AlphaProteon kykyjä, erityisesti haasteellisten kohdeproteiinien, kuten TNF𝛼, käsittelyssä. Tiimi tutkii myös uusia sovelluksia tälle teknologialle, mukaan lukien AlphaProteon käyttämistä proteiinien suunnittelussa viljelykasvien parantamiseksi ja ympäristön kestävyyden edistämiseksi.

Johtopäätös

Vähentämällä merkittävästi aikaa ja kustannuksia, jotka liittyvät perinteisiin proteiinisuunnittelumenetelmiin, AlphaProteo kiihdyttää innovaatiota biologiassa ja lääketieteessä. Sen onnistuminen luomassa proteiinisitoutumisia haasteellisille kohteille, kuten SARS-CoV-2-piikkiproteiinille ja VEGF-A:lle, osoittaa sen potentiaalia ratkaista jotkut tämän ajan suurimmista terveyden haasteista.

Kun AlphaProteo jatkaa kehittymistään, sen vaikutus tieteeseen ja yhteiskuntaan vain kasvaa, tarjoten uusia työkaluja elämän ymmärtämiseksi molekyylitasolla ja avaamalla uusia mahdollisuuksia sairauksien hoidolle.