DeepMind klaar om biologische wetenschappen te transformeren door het probleem van eiwitvouwing op te lossen

Google's AI-divisie DeepMind heeft onlangs aanzienlijke vooruitgang geboekt naar het oplossen van een van de oudste uitdagingen in de biologie, het berekenen van de vorm van een eiwit uit een aminozuursequentie. Volgens Nature heeft de doorbraak het potentieel om de gebieden van biologie en chemie te transformeren, waardoor wetenschappers de functie kunnen bepalen van veel eiwitten die momenteel mysterieus zijn.

De vorm van een eiwit bepaalt zijn functie en de meeste biologische functies zijn afhankelijk van eiwitten. “Eiwit vouwen” is de naam die wordt gegeven aan het proces dat ketens van aminozuren omzet in de driedimensionale structuren die protiones nodig hebben om hun functies uit te voeren. Als wetenschappers de relatie kunnen bepalen tussen aminozuursequenties en de vorm van de eiwitten die ze genereren, kunnen ze bepalen welke eiwitten verschillende biologische processen beïnvloeden.

Wetenschappers veronderstellen dat er minstens 80,000 eiwitten in het menselijke proteoom zitten, maar slechts een klein deel van deze eiwitten heeft bekende structuren. De traditionele methode om de vorm van een eiwit te bepalen, kan jaren van laboratoriumexperimenten vergen, waarbij zelfs gebruik wordt gemaakt van de kracht van computerwetenschappelijke algoritmen en modellen. Het werk van DeepMind kan het proces van het ontdekken van eiwitstructuren drastisch versnellen en op betrouwbare wijze de structuur van eiwitten bepalen in een fractie van de normale tijd.

Onderzoekers van DeepMind hebben hun algoritmen getraind op een database die bestaat uit ongeveer 170,0000 eiwitsequenties en de vormen die overeenkomen met die sequenties. De door de onderzoekers ontwikkelde algoritmen zijn getraind op tussen de 100 en 200 GPU's en het trainingsproces duurde enkele weken. Het door de onderzoekers ontwikkelde model kreeg de naam "AlphaFold".

AlphaFold werkt via een "spanningsalgoritme", beginnend met het verbinden van kleine stukjes van het eiwit en vervolgens opschalen om steeds grotere delen met elkaar te verbinden. Eerst werden kleine aminozuurclusters aan elkaar gekoppeld, en vervolgens zocht het algoritme naar manieren om deze clusters aan elkaar te koppelen.

AlphaFold-onderzoekers probeerden aanvankelijk conventionele deep learning-algoritmen te gebruiken op genetische en structurele gegevens om de relatie tussen aminozuren en eiwitten te voorspellen. AlphaFold creëerde vervolgens consensusmodellen voor de stijl van de eiwitten. Toen deze techniek te veel beperkingen bleek te hebben, probeerden de onderzoekers een nieuwe strategie. Het AlphaFold-onderzoeksteam creëerde modellen die op meer functies waren getraind, en deze keer hadden ze de modelretourvoorspellingen voor de uiteindelijke structuur van de eiwitsequenties.

Het technische team heeft AlphaFold aan een stresstest onderworpen door mee te doen aan een wedstrijd waarin computeralgoritmen strijden om de structuur van een eiwit uit aminozuursequenties te beoordelen. De wedstrijd was de "Critical Assessment of Protein Structure Prediction" of CASP. Deelnemers aan de wedstrijd krijgen 100 aminozuursequenties en hun modellen moeten de structuur van de eiwitten uitwerken. AlphaFold versloeg niet alleen de andere computermodellen qua nauwkeurigheid, maar presteerde ook vergelijkbaar met de traditionele, op het laboratorium gebaseerde modelleringstechnieken. De uiteindelijke mediane score van AlphaFold was ongeveer 92 van de 100, waarbij laboratoriumgebaseerde experimentele methoden een score van 90 kregen. De mediane score van AlphaFold daalde tot 87 procent op de moeilijkste eiwitten.

Volgens DeepMind Chief Executive en mede-oprichter Demis Hassabis, maakt het bedrijf al plannen om onderzoekers toegang te geven tot AlphaFold, waarbij wetenschappers van het Max Planck Instituut voor Ontwikkelingsbiologie het model al gebruiken om eiwitstructuren te ontdekken waaraan ze al meer dan een decennium hebben gewerkt.

Janet Thornton, emeritus directeur van het European Bioinformatics Institute, werd geciteerd via ScienceMag zeggend dat de prestaties van DeepMind "de toekomst van structurele biologie en eiwitonderzoek zullen veranderen". Ondertussen, bioloog aan de Universiteit van Maryland, Shady Grove, zegt John Moult dat hij nooit had gedacht dat het probleem van de vouwing van eiwitten in dit leven nooit zou worden opgelost.

Hoewel het zeer onwaarschijnlijk is dat AlphaFold de traditionele, experimentele methoden voor het ontdekken van eiwitstructuren volledig zal vervangen, zou het de snelheid waarmee eiwitstructuren worden ontdekt drastisch kunnen verhogen. Onderzoekers hebben mogelijk minder hoogwaardige experimentele gegevens nodig om een ​​eiwitstructuur te bepalen, en onderzoekers hebben al toegang tot een grote hoeveelheid genomische gegevens die kunnen worden vertaald in structuren met behulp van de oplossingen van AlphaFold.