DeepMind valmistautuu muuttamaan biotieteitä ratkaisemalla proteiinien taittumisen ongelman

Google (GOOGL ):n tekoälyosasto DeepMind on tehnyt äskettäin merkittävän edistysaskeleen yhteen biologian vanhimmista haasteista, laskemalla proteiinin muodon aminohappojonosta. Naturen mukaan läpimurto voi muuttaa biologian ja kemian aloja, mahdollistaen tutkijoille useiden proteiinien toiminnan määrittämisen, joista suurin osa on tällä hetkellä arvoitus.

Proteiinin muoto määrittää sen toiminnan, ja useimmat biologiset toiminnot ovat riippuvaisia proteiineista. “Proteiinien taittuminen” on prosessin nimi, joka muuttaa aminohappojonot kolmiulotteisiksi rakenteiksi, joita proteiinit tarvitsevat toimintansa suorittamiseen. Jos tutkijat voivat määrittää suhteen aminohappojonon ja proteiinin muodon välillä, he voivat määrittää, mitkä proteiinit vaikuttavat mihinkin biologiseen prosessiin.

Tutkijat olettavat, että ihmisen proteomi sisältää vähintään 80 000 proteiinia, mutta vain pieni osa näistä proteiineista on tunnettuja rakenteita. Perinteinen menetelmä proteiinin muodon määrittämiseen voi kestää vuosia laboratoriotutkimuksia, jopa hyödyntäen tietokoneen tieteellisiä algoritmeja ja malleja. DeepMindin tekemä työ voi nopeuttaa proteiinirakenteiden löytämisen prosessia, määrittäen proteiinien rakenteen luotettavasti normaaliaikaa lyhyemmässä ajassa.

DeepMindin tutkijat kouluttivat algoritmejaan tietokannassa, joka sisälsi noin 170 000 proteiinijonoa ja niiden vastaavia muotoja. Tutkijoiden kehittämät algoritmit koulutettiin 100-200 GPU:n avulla, ja koulutusprosessi kesti muutamia viikkoja. Tutkijoiden kehittämä malli sai nimen “AlphaFold”.

AlphaFold toimii “jännitysalgoritmin” kautta, aloittaen pienen proteiiniosan yhdistämisen ja sitten laajentamalla yhdistämistä suurempiin ja suurempiin osiin. Pienet aminohapporyhmät yhdistettiin aluksi, ja sitten algoritmi etsi keinoja yhdistää nämä ryhmät.

AlphaFold-tutkijat yrittivät aluksi käyttää perinteisiä syväoppimisalgoritmeja geneettisissä ja rakenteellisissa tiedoissa ennustamaan suhteen aminohappojen ja proteiinien välillä. AlphaFold loi konsensusmalleja proteiinien tyylille. Kun tämä tekniikka osoittautui liian rajoitetuksi, tutkijat kokeilivat uutta strategiaa. AlphaFold-tutkimusryhmä loi malleja, jotka oli koulutettu enemmän ominaisuuksilla, ja tämän kerran malli palautti ennusteita lopullisen proteiinijonon rakenteesta.

Insinööritestasivat AlphaFoldia osallistumalla kilpailuun, jossa tietokonealgoritmit kilpailevat arvioiden proteiinin rakennetta aminohappojonosta. Kilpailu oli “Kriittinen arviointi proteiinirakenteen ennustamisesta” eli CASP. Kilpailun osallistujille annettiin 100 aminohappojonoa, ja heidän mallien oli löydettävä proteiinien rakenteet. AlphaFold ei vain voittanut muita tietokonealgoritmeja tarkkuudessa, vaan se suoritti myös vertailukelpoisesti perinteisten, laboratoriotutkimuksiin perustuvien mallintamismenetelmiin nähden. AlphaFoldin lopullinen, mediaaniarvo oli noin 92/100, ja laboratoriotutkimuksiin perustuvat menetelmät saivat arvon 90. AlphaFoldin mediaaniarvo laski 87 prosenttiin vaikeimmissa proteiineissa.

DeepMindin toimitusjohtaja ja perustaja Demis Hassabis kertoi, että yhtiö on jo suunnittelemassa AlphaFoldin saatavuutta tutkijoille, ja Max Planck -instituutin kehitysbiologian tutkijat ovat jo käyttäneet mallia löytääkseen proteiinirakenteita, joiden parissa he ovat työskennelleet yli kymmenen vuoden ajan.

Janet Thornton, Euroopan bioinformatiikan instituutin johtaja, kertoi ScienceMag-lehdelle, että DeepMindin saavutukset “muuttavat tulevaisuuden rakenteellisen biologian ja proteiinitutkimuksen”. Samaan aikaan Marylandin yliopiston biologi, Shady Grove, John Moult kertoi, ettei hän koskaan uskonut, että proteiinien taittumisen ongelma ratkaistaisiin tässä elämässä.

Vaikka AlphaFold ei todennäköisesti korvaa perinteisiä, kokeellisia menetelmiä proteiinirakenteiden löytämiseen, se voi nopeuttaa proteiinirakenteiden löytämisen prosessia. Tutkijat saattavat tarvita vähemmän laadukkaita kokeellisia tietoja proteiinirakenteen määrittämiseen, ja tutkijat ovat jo päässeet käyttämään suurta määrää genominen tietoja, joita voidaan kääntää rakenteiksi AlphaFoldin ratkaisujen avulla.