AI Systems otkriva nacrte za umjetne proteine

Tim istraživača s Pritzker School of Molecular Engineering (PME) na Sveučilištu u Chicagu nedavno je uspio stvoriti AI sustav koji može stvoriti potpuno nove, umjetne proteine ​​analizirajući pohranu velikih podataka.

Proteini su makromolekule neophodne za izgradnju tkiva u živim bićima i ključne za život stanica općenito. Proteine ​​stanice koriste kao kemijske katalizatore za odvijanje raznih kemijskih reakcija i za obavljanje složenih zadataka. Ako znanstvenici mogu shvatiti kako pouzdano izraditi umjetne proteine, to bi moglo otvoriti vrata novim načinima hvatanja ugljika, novim metodama prikupljanja energije i novim tretmanima bolesti. Umjetni proteini imaju moć dramatično promijeniti svijet u kojem živimo. Kako javlja EurekaAlert, nedavno otkriće istraživača s PME Sveučilišta u Chicagu približilo je znanstvenike tim ciljevima. Istraživači PME-a upotrijebili su algoritme strojnog učenja kako bi razvili sustav sposoban za generiranje novih oblika proteina.

Istraživački tim stvorio je modele strojnog učenja uvježbane na podacima izvučenim iz različitih genomskih baza podataka. Kako su modeli učili, počeli su razlikovati uobičajene temeljne obrasce, jednostavna pravila dizajna, koja omogućuju stvaranje umjetnih proteina. Nakon uzimanja uzoraka i sintetiziranja odgovarajućih proteina u laboratoriju, istraživači su otkrili da su umjetni proteini stvorili kemijske reakcije koje su bile približno jednako učinkovite kao one koje pokreću prirodni proteini.

Prema profesoru Josephu Regensteinu na PME UC, Rami Ranganathanu, istraživački tim je otkrio da podaci o genomu sadrže ogromnu količinu informacija o osnovnim funkcijama i strukturama proteina. Koristeći strojno učenje za prepoznavanje ovih uobičajenih struktura, istraživači su "uspjeli staviti u bocu prirodna pravila kako bismo sami stvorili proteine."

Istraživači su se za ovu studiju usredotočili na metaboličke enzime, posebno na obitelj proteina nazvanu chorismate mutase. Ova obitelj proteina neophodna je za život u velikom broju biljaka, gljiva i bakterija.

Ranganathan i suradnici shvatili su da baze podataka genoma sadrže uvide koji samo čekaju da ih znanstvenici otkriju, ali da su tradicionalne metode određivanja pravila koja se tiču ​​strukture i funkcije proteina imale ograničen uspjeh. Tim je krenuo u dizajn modela strojnog učenja koji mogu otkriti ta pravila dizajna. Nalazi modela upućuju na to da se nove umjetne sekvence mogu stvoriti očuvanjem položaja aminokiselina i korelacija u evoluciji parova aminokiselina.

Tim istraživača stvorio je sintetičke gene koji su kodirali sekvence aminokiselina koje proizvode te proteine. Klonirali su bakterije s tim sintetskim genima i otkrili da su bakterije koristile sintetske proteine ​​u svojim staničnim strojevima, funkcionirajući gotovo potpuno isto kao i obični proteini.

Prema Ranganathanu, jednostavna pravila koja je njihov AI razlikovao mogu se koristiti za stvaranje umjetnih proteina nevjerojatne složenosti i raznolikosti. Kao što je Ranganathan objasnio za EurekaAlert:

“Ograničenja su mnogo manja nego što smo ikada zamišljali da će biti. Pravila prirodnog dizajna su jednostavna i vjerujemo da bi nam slični pristupi mogli pomoći u traženju modela za dizajn u drugim složenim sustavima u biologiji, poput ekosustava ili mozga.”

Ranganathan i suradnici žele uzeti svoje modele i generalizirati ih, stvarajući platformu koju znanstvenici mogu koristiti za bolje razumijevanje kako su proteini konstruirani i kakve učinke imaju. Nadaju se da će koristiti svoje AI sustave kako bi omogućili drugim znanstvenicima da otkriju proteine ​​koji se mogu uhvatiti u koštac s važnim problemima poput klimatskih promjena. Ranganathan i izvanredni profesor Andrew Ferguson osnovali su tvrtku pod nazivom Evozyne, koja ima za cilj komercijalizirati tehnologiju i promovirati njezinu upotrebu u poljima kao što su poljoprivreda, energija i okoliš.

Razumijevanje sličnosti između proteina i odnosa između strukture i funkcije također bi moglo pomoći u stvaranju novi lijekovi i oblici terapije. Iako se savijanje proteina dugo smatralo nevjerojatno teškim problemom za računala, uvidi iz modela poput onog koje je nekoć proizveo Ranganathanov tim mogli bi pomoći u povećanju brzine kojom se ovi izračuni proizvode, olakšavajući stvaranje novih lijekova temeljenih na tim proteinima. Mogli bi se razviti lijekovi koji potencijalno blokiraju stvaranje proteina unutar virusa pomaže u liječenju čak i novih virusa poput koronavirusa Covid-19.

Ranganathan i ostatak istraživačkog tima tek trebaju razumjeti kako i zašto njihovi modeli funkcioniraju i kako proizvode pouzdane nacrte proteina. Sljedeći cilj istraživačkog tima je bolje razumjeti koje atribute modeli uzimaju u obzir da bi došli do svojih zaključaka.