Terveydenhuolto
Proteiinitutkijat ja tekoäly kohtaavat

Keskeiset kohdatTekoäly voitti niukasti ihmisproteiinitutkijat itsekokoamissekvenssien ennustamisessa.
Näytä lisää
- Tekoäly voitti niukasti ihmisproteiinitutkijat itsekokoamissekvenssien ennustamisessa.
- Ihmisasiantuntijat suosivat tiettyjä aminohappoja, mikä johti virheellisiin ennusteisiin toisin kuin tekoäly.
- Koneoppiminen on tehokas työkalu ihmisten harhan voittamiseksi proteiinisuunnittelussa.
Rutgersin yliopiston proteiinitutkijaryhmä otti haasteen tekoälyohjelmalle.
Spoiler-varoitus: tekoäly voitti. Mutta vain niukasti.
Ihmiset tekoälyä vastaan
Tutkijat päättivät järjestää kokeen, jossa ihminen, jolla on syvä ymmärrys proteiinien suunnittelusta ja itsejärjestymisestä, kilpailee tekoälyohjelman kanssa, jolla on ennustevälineet. Vikas Nanda, tutkija Center for Advanced Biotechnology and Medicine (CABM) -yksikössä Rutgersissa, oli yksi potentiaalinen tutkija.
Kokeen tarkoituksena oli selvittää, kumpi, ihminen vai tekoäly, pystyy paremmin ennustamaan, mitkä proteiinisekvenssit yhdistyvät parhaiten.
Tulokset julkaistiin Nature Chemistry-lehdessä.
Nanda, tutkijat Argonne National Laboratoryssa Illinoisissa ja useat muut tutkijat Yhdysvalloissa sanovat, että kilpailu oli “lähellä, mutta ratkaiseva”. Kilpailussa Nanda ja useat hänen kollegansa kilpailivat tekoälyohjelmaa vastaan, joka voitti pienellä marginaalilla.
Tutkijat etsivät tietoa proteiinien itsejärjestymisestä, koska he uskovat, että ymmärtämällä sitä paremmin, he voivat suunnitella uusia ja innovatiivisia tuotteita lääketieteellisiin ja teollisiin käyttöihin. Yksi näistä tuotteista voisi olla keinotekoinen ihmiskudos haavojen hoitoon, kun taas toinen voisi olla katalysaattori uusille kemikaaleille.
Nanda on professori biokeemia- ja molekyylibiologian laitoksessa Rutgers Robert Wood Johnson Medical Schoolissa.
“Huolimatta laajasta asiantuntemuksestamme, tekoäly suoriutui yhtä hyvin tai jopa paremmin useilla tietojoukoilla, osoittaen koneoppimisen valtavan potentiaalin ylittää inhimillinen harha”, Nanda sanoi.
Proteiinien suunnittelu ja itsejärjestyminen
Proteiinit koostuvat suuresta määrästä aminohappoja, jotka ovat liittyneet toisiinsa, ja ketjut taittuvat muodostamaan kolmiulotteisia molekyylejä, joilla on monimutkaiset muodot. Kunkin proteiinin muoto ja siinä olevat aminohapot määräävät sen käyttäytymisen. Tutkijat, kuten Nanda, ovat mukana “proteiinien suunnittelussa”, mikä tarkoittaa, että he luovat sekvenssejä, jotka tuottavat uusia proteiineja. Ryhmä on suunnitellut äskettäin keinotekoisen proteiinin, joka voi nopeasti havaita VX: n, vaarallisen hermomyrkyn. Tällä uudella kehitysaskeleella voi olla suuri merkitys uusille biosensoreille ja hoidoille.
Proteiinit järjestyvät itsestään toisten proteiinien kanssa muodostamaan superstruktuureja, jotka ovat tärkeitä biologiassa. Jossain tapauksissa näyttää siltä, että proteiinit seuraavat suunnitelmaa, kuten silloin, kun ne järjestyvät itsestään viruksen suojakuoreksi. Toisinaan ne järjestyvät itsestään muodostaessaan biologisia rakenteita, jotka liittyvät tiettyihin sairauksiin.
“Proteiinien itsejärjestymisen ymmärtäminen on perustavanlaatuista monien alojen, kuten lääketieteen ja teollisuuden, kehittymiselle”, Nanda sanoi.
Nanda ja viisi muuta kollegaa saivat listan proteiineja ja heitä pyydettiin ennustamaan, mitkä niistä todennäköisesti järjestyisivät itsestään. Ennusteet verrattiin sitten tietokoneohjelman ennusteisiin.
Ihmisasiantuntijat käyttivät sääntöjä, jotka perustuivat havaintoihin proteiinien käyttäytymisestä kokeissa, mukaan lukien sähköisten varauksien ja veden torjunnan asteen. He valitsivat 11 proteiinia, joiden he ennustivat järjestyvän itsestään, kun taas tekoäly valitsi yhdeksän proteiinia.
Koe osoitti, että ihmiset tekivät kuusi oikeaa ennustetta 11 proteiinista, kun taas tietokoneohjelma valitsi yhdeksän.
Koe osoitti myös, että ihmisasiantuntijat “suosivat” tiettyjä aminohappoja toisia vastaan, mikä johti virheellisiin valintoihin. Tekoäly valitsi oikein joitain proteiineja, joilla oli ominaisuuksia, jotka eivät olleet ilmeisiä.
“Me työskentelemme saadaksemme perustavanlaatuista ymmärrystä kemiallisten vuorovaikutusten luonteesta, jotka johtavat itsejärjestymiseen, joten minun oli huoleni, että näiden ohjelmien käyttäminen estäisi tärkeitä havaintoja”, Nanda sanoi. “Mutta mitä olen aloittamassa ymmärtämään, on, että koneoppiminen on vain yksi työkalu, kuten mikä tahansa muu.”












