AI-systemen ontdekken blauwdrukken voor kunstmatige eiwitten

Een team van onderzoekers van de Pritzker School of Molecular Engineering (PME) van de Universiteit van Chicago is onlangs geslaagd in de creatie van een AI-systeem dat geheel nieuwe, kunstmatige eiwitten kan creëren door grote hoeveelheden big data te analyseren.

Eiwitten zijn macromoleculen die essentieel zijn voor de bouw van weefsels in levende organismen en kritiek voor het leven van cellen in het algemeen. Eiwitten worden door cellen gebruikt als chemische katalysatoren om verschillende chemische reacties te laten plaatsvinden en om complexe taken uit te voeren. Als wetenschappers erin slagen om kunstmatige eiwitten betrouwbaar te ontwerpen, kan dit de deur openen voor nieuwe manieren van koolstofopname, nieuwe methoden voor het oogsten van energie en nieuwe behandelingsmethoden voor ziektes. Kunstmatige eiwitten hebben de kracht om de wereld waarin we leven dramatisch te veranderen. Zoals gemeld door EurekaAlert, heeft een recente doorbraak van onderzoekers aan de PME van de Universiteit van Chicago wetenschappers dichter bij deze doelen gebracht. De onderzoekers van de PME maakten gebruik van machine learning-algoritmes om een systeem te ontwikkelen dat in staat is om nieuwe vormen van eiwitten te genereren.

Het onderzoeksteam creëerde machine learning-modellen die getraind waren op gegevens uit verschillende genomics-databases. Naarmate de modellen leerden, begonnen ze onderliggende patronen te onderscheiden, eenvoudige ontwerpregels, die de creatie van kunstmatige eiwitten mogelijk maken. Toen de onderzoekers de patronen namen en de respectievelijke eiwitten in het lab synthetiseerden, vonden ze dat de kunstmatige eiwitten chemische reacties produceerden die ongeveer even effectief waren als die die door natuurlijk voorkomende eiwitten werden aangedreven.

Volgens Joseph Regenstein Professor aan de PME UC, Rama Ranganathan, vond het onderzoeksteam dat genoomgegevens een enorme hoeveelheid informatie bevatten over de basisfuncties en -structuren van eiwitten. Door machine learning te gebruiken om deze gemeenschappelijke structuren te herkennen, waren de onderzoekers “in staat om de regels van de natuur te bottelen om zelf eiwitten te creëren”.

De onderzoekers richtten zich op metabolische enzymen voor deze studie, specifiek een familie van eiwitten genaamd chorismate mutase. Deze eiwitfamilie is noodzakelijk voor het leven in een breed scala aan planten, schimmels en bacteriën.

Ranganathan en zijn medewerkers realiseerden zich dat genomics-databases inzichten bevatten die alleen maar ontdekt hoefden te worden door wetenschappers, maar dat traditionele methoden voor het bepalen van de regels met betrekking tot eiwitstructuur en -functie alleen beperkt succes hadden. Het team zette zich tot doel om machine learning-modellen te ontwikkelen die in staat waren om deze ontwerpregels te onthullen. De bevindingen van het model impliceren dat nieuwe kunstmatige sequenties kunnen worden gecreëerd door aminozuurposities en -correlaties in de evolutie van aminozuurpletten te behouden.

Het team van onderzoekers creëerde synthetische genen die aminozuursequenties codeerden die deze eiwitten produceerden. Ze kloneerden bacteriën met deze synthetische genen en vonden dat de bacteriën de synthetische eiwitten in hun celmachinerie gebruikten, wat vrijwel identiek was aan het functioneren van normale eiwitten.

Volgens Ranganathan kunnen de eenvoudige regels die hun AI onderscheidde, worden gebruikt om kunstmatige eiwitten van ongelooflijke complexiteit en variatie te creëren. Zoals Ranganathan aan EurekaAlert uitlegde:

“De beperkingen zijn veel kleiner dan we ooit hadden gedacht. Er zit een eenvoud in de ontwerpregels van de natuur, en we geloven dat soortgelijke benaderingen ons kunnen helpen om modellen voor ontwerp in andere complexe biologische systemen te zoeken, zoals ecosystemen of de hersenen.”

Ranganathan en zijn medewerkers willen hun modellen generaliseren en een platform creëren dat wetenschappers kan helpen om beter te begrijpen hoe eiwitten worden geconstrueerd en welke effecten ze hebben. Ze hopen om hun AI-systemen te gebruiken om andere wetenschappers in staat te stellen eiwitten te ontdekken die belangrijke problemen zoals klimaatverandering kunnen aanpakken. Ranganathan en associate professor Andrew Ferguson hebben een bedrijf opgericht genaamd Evozyne, dat zich tot doel stelt om de technologie te commercialiseren en het gebruik ervan in gebieden zoals landbouw, energie en milieu te bevorderen.

Het begrijpen van de overeenkomsten tussen eiwitten en de relaties tussen structuur en functie kan ook helpen bij de creatie van nieuwe medicijnen en vormen van therapie. Hoewel eiwitvouwing lange tijd als een extreem moeilijk probleem voor computers is beschouwd, kunnen de inzichten uit modellen zoals die van het team van Ranganathan helpen om de snelheid van deze berekeningen te verhogen, waardoor de creatie van nieuwe medicijnen op basis van deze eiwitten wordt vergemakkelijkt. Medicijnen kunnen worden ontwikkeld die de productie van eiwitten in virussen blokkeren, wat potentieel kan helpen bij de behandeling van zelfs nieuwe virussen zoals het Covid-19-coronavirus.

Ranganathan en de rest van het onderzoeksteam moeten nog steeds begrijpen hoe en waarom hun modellen werken en hoe ze betrouwbare eiwitblauwdrukken produceren. Het volgende doel van het onderzoeksteam is om beter te begrijpen welke kenmerken de modellen in aanmerking nemen om tot hun conclusies te komen.