AI-systemer oppdager blåkopier for kunstige proteiner

Et team av forskere fra Pritzker School of Molecular Engineering (PME) ved University of Chicago har nylig lykkes i å skape et AI-system som kan lage helt nye, kunstige proteiner ved å analysere store mengder data.

Proteiner er stoff som er essensielle for byggingen av vev i levende organismer, og kritiske for livet til celler generelt. Proteiner brukes av celler som kjemiske katalysatorer for å fremme ulike kjemiske reaksjoner og for å utføre komplekse oppgaver. Hvis forskerne kan finne ut hvordan de kan konstruere kunstige proteiner på en pålitelig måte, kan det åpne døren for nye måter å fange karbondioksid, nye metoder for å høste energi og nye behandlinger for sykdommer. Kunstige proteiner har potensialet til å forandre verden vi lever i dramatisk. Ifølge EurekaAlert har en ny gjennombrudd ved forskere ved PME University of Chicago bringt forskerne nærmere disse målene. Forskerne ved PME brukte maskinlæring-algoritmer for å utvikle et system som kan generere nye former for proteiner.

Forskningsgruppen skapte maskinlæring-modeller som var trent på data hentet fra ulike genoom-databaser. Etterhvert som modellene lærte, begynte de å skille ut underliggende mønster, enkle design-regler som gjør det mulig å skape kunstige proteiner. Når de tok mønsterene og syntetiserte de respektive proteinene i laboratoriet, fant forskerne at de kunstige proteinene skapte kjemiske reaksjoner som var omtrent like effektive som de som ble drevet av naturlig forekommende proteiner.

Ifølge Joseph Regenstein Professor ved PME UC, Rama Ranganathan, fant forskningsgruppen at genoom-data inneholder en enorm mengde informasjon om de grunnleggende funksjonene og strukturene til proteiner. Ved å bruke maskinlæring for å gjenkjenne disse strukturene, var forskerne “i stand til å fange naturens regler for å skape proteiner selv”.

Forskerne fokuserte på metabolske enzymer i denne studien, spesielt en familie av proteiner kalt korismatmutase. Denne protein-familien er nødvendig for liv i en rekke planter, sopp og bakterier.

Ranganathan og medarbeidere innsett at genoom-databaser inneholdt innsikter som bare ventet på å bli oppdaget av forskere, men at tradisjonelle metoder for å bestemme reglene for protein-struktur og funksjon bare hadde begrenset suksess. Teamet satte ut å designe maskinlæring-modeller som kunne avsløre disse design-reglene. Modellens funn tyder på at nye kunstige sekvenser kan skapes ved å bevare aminosyre-posisjoner og korrelasjoner i utviklingen av aminosyre-par.

Forskningsgruppen skapte syntetiske gener som kodet for aminosyre-sekvenser som produserte disse proteinene. De klonet bakterier med disse syntetiske genene og fant at bakteriene brukte de syntetiske proteinene i deres cellulære maskineri, og fungerte nesten eksakt som vanlige proteiner.

Ifølge Ranganathan kan de enkle reglene som deres AI-skilte ut brukes til å skape kunstige proteiner av ufattelig kompleksitet og variasjon. Som Ranganathan forklarte til EurekaAlert:

“Begrensningene er mye mindre enn vi noen gang trodde de ville være. Det er en enkelhet i naturens design-regler, og vi tror at lignende tilnærminger kan hjelpe oss å søke etter modeller for design i andre komplekse systemer i biologi, som økosystemer eller hjernen.”

Ranganathan og medarbeidere ønsker å generalisere modellene og skape en plattform som forskere kan bruke for å bedre forstå hvordan proteiner konstrueres og hva effektene deres er. De håper å bruke sine AI-systemer til å enable andre forskere til å oppdage proteiner som kan takle viktige problemer som klimaendringer. Ranganathan og associate professor Andrew Ferguson har skapt et selskap kalt Evozyne, som har som mål å kommersialisere teknologien og fremme dens bruk i felt som landbruk, energi og miljø.

Å forstå fellesskapene mellom proteiner, og forholdet mellom struktur og funksjon, kan også hjelpe til å skape nye legemidler og former for terapi. Selv om protein-folding har lenge vært betraktet som et ekstremt vanskelig problem for datamaskiner å løse, kan innsiktene fra modeller som den som Ranganathans team produserte, hjelpe til å øke hastigheten på disse beregningene, og dermed gjøre det mulig å skape nye legemidler basert på disse proteinene. Legemidler kan utvikles som blokkerer skapingen av proteiner i virus, potensielt hjelpe til å behandle selv nye virus som Covid-19-koronaviruset.

Ranganathan og resten av forskningsgruppen må fortsatt forstå hvordan og hvorfor deres modeller fungerer og hvordan de produserer pålitelige protein-blåkopier. Forskningsgruppens neste mål er å bedre forstå hva attributtene modellene tar hensyn til for å komme til sine konklusjoner.