AI-systemer oppdager planer 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 er kritiske for cellenes liv i generell. 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 karbon, nye metoder for å høste energi og nye behandlinger for sykdommer. Kunstige proteiner har evnen til å dramatisk endre verden vi lever i. Som rapportert av 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. Forskingsteamet lagde maskinlæring-modeller som var trent på data hentet fra ulike genom-databaser. Etterhvert som modellene lærte, begynte de å skille ut underliggende mønster, enkle designregler, som muliggjør skapelsen av kunstige proteiner. Da forskerne syntetiserte proteinene i laboratoriet, fant de 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 forskningsteamet at genom-data inneholder en stor mengde informasjon om proteiners grunnleggende funksjoner og strukturer. Ved å bruke maskinlæring for å gjenkjenne disse vanlige strukturerna, var forskerne “i stand til å fange naturens regler for å skape proteiner selv”. Forskerne fokuserte på metaboliske enzymer for denne studien, spesielt en familie av proteiner kalt chorismat-mutas. Denne protein-familien er nødvendig for liv i en rekke planter, sopp og bakterier. Ranganathan og medarbeidere innsett at genom-databaser inneholdt innsikter som bare ventet på å bli oppdaget av forskerne, men at tradisjonelle metoder for å bestemme reglene for protein-struktur og funksjon bare hadde begrenset suksess. Teamet satte ut til å designe maskinlæring-modeller som kunne avsløre disse design-reglene. Modellens funn antyder at nye kunstige sekvenser kan skapes ved å bevare aminosyre-posisjoner og korrelasjoner i evolusjonen av aminosyre-par. Forskingsteamet lagde 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 helt likt 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 hadde forestilt oss. Det er en enkelhet i naturens design-regler, og vi tror at lignende tilnærminger kan hjelpe oss med å søke etter modeller for design i andre komplekse systemer i biologi, som økosystemer eller hjernen.” Ranganathan og medarbeidere ønsker å ta deres modeller og generalisere dem, og skape en plattform som forskerne kan bruke for bedre å forstå hvordan proteiner er konstruert og hva effektene deres er. De håper å bruke sine AI-systemer til å muliggjøre at andre forskere kan oppdage proteiner som kan takle viktige problemer som klimaendringer. Ranganathan og associate professor Andrew Ferguson har etablert 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 med å skape nye legemidler og former for terapi. Selv om protein-folding har lenge vært ansett som et ekstremt vanskelig problem for datamaskiner å løse, kan innsiktene fra modeller som den som er produsert av Ranganathans team, hjelpe med å øke hastigheten disse beregningene blir produsert med, og muliggjøre skapelsen av nye legemidler basert på disse proteinene. Legemidler kan utvikles som blokkerer skapelsen av proteiner i virus, potensielt hjelpe med behandlingen av nye virus som Covid-19-koronaviruset. Ranganathan og resten av forskningsteamet må fortsatt forstå hvordan og hvorfor deres modeller fungerer, og hvordan de produserer pålitelige protein-planer. Forskingsteamets neste mål er å bedre forstå hva egenskapene modellene tar hensyn til for å nå frem til deres konklusjoner.