DeepMind staat op het punt om de biologische wetenschappen te transformeren door het oplossen van het eiwitvouwprobleem

Google’s AI-afdeling DeepMind heeft onlangs aanzienlijke vooruitgang geboekt bij 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 in staat zijn om de functie van veel eiwitten te bepalen die momenteel mysterieus zijn.

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

Wetenschappers vermoeden dat er ten minste 80.000 eiwitten zijn in het humane proteoom, 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 duren, zelfs met behulp van de kracht van computerwetenschappelijke algoritmen en modellen. Het werk dat door DeepMind is gedaan, kan het proces van het ontdekken van eiwitstructuren aanzienlijk versnellen, door de structuur van eiwitten betrouwbaar te bepalen in een fractie van de normale tijd.

Onderzoekers bij DeepMind hebben hun algoritmen getraind op een database van ongeveer 170.000 eiwitsequenties en de bijbehorende structuren. De algoritmen die door de onderzoekers zijn ontwikkeld, werden getraind op tussen de 100 en 200 GPUs, en het trainingsproces duurde een paar weken. Het model dat door de onderzoekers is ontwikkeld, kreeg de naam “AlphaFold”.

AlphaFold werkt via een “spanningsalgoritme”, dat begint met het verbinden van kleine stukjes van het eiwit en vervolgens opschalt naar het verbinden van grotere en grotere secties. Kleine aminozuurclusters werden eerst met elkaar verbonden, en vervolgens zocht het algoritme naar manieren om deze clusters te verbinden.

De onderzoekers van AlphaFold hebben eerst conventionele diepe leer-algoritmen gebruikt 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 waren getraind op meer kenmerken, en deze keer moesten de modellen voorspellingen doen voor de finale structuur van de eiwitsequenties.

Het engineersteam heeft AlphaFold getest door het in te schrijven voor een wedstrijd waarin computer-algoritmen concurreren om de structuur van een eiwit te bepalen uit aminozuursequenties. 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 bepalen. AlphaFold bleek niet alleen de andere computermodellen in termen van nauwkeurigheid te overtreffen, maar presteerde ook vergelijkbaar met de traditionele, lab-gebaseerde modelleringstechnieken. De finale, mediane score van AlphaFold was ongeveer 92 van de 100, met lab-gebaseerde experimentele methoden die een score van 90 kregen. De mediane score van AlphaFold daalde tot 87 procent bij de moeilijkste eiwitten.

Volgens DeepMind-bestuurder en mede-oprichter Demis Hassabis is het bedrijf al plannen aan het maken om onderzoekers toegang te geven tot AlphaFold, met wetenschappers van het Max Planck-instituut voor ontwikkelingsbiologie die het model al gebruiken om eiwitstructuren te ontdekken waar ze al meer dan tien jaar aan werkten.

Janet Thornton, de directeur-emeritus van het European Bioinformatics Institute, werd geciteerd via ScienceMag als zeggende dat de prestaties van DeepMind “de toekomst van structurele biologie en eiwitonderzoek zullen veranderen”. Ondertussen zegt bioloog John Moult van de University of Maryland, Shady Grove, dat hij nooit dacht dat het eiwitvouwprobleem in zijn leven zou worden opgelost.

Hoewel AlphaFold waarschijnlijk de traditionele, experimentele methoden voor het ontdekken van eiwitstructuren niet volledig zal vervangen, kan het de snelheid waarmee eiwitstructuren worden ontdekt aanzienlijk verhogen. Onderzoekers zullen mogelijk minder hoge kwaliteit experimentele gegevens nodig hebben om de structuur van een eiwit te bepalen, en onderzoekers hebben al toegang tot een grote hoeveelheid genomicsgegevens die kunnen worden omgezet in structuren met behulp van de oplossingen van AlphaFold.