Proteinforskere og AI går i fellesskap

Et team av proteinforskere ved Rutgers University gikk i fellesskap mot en dataprogram.

Spoiler varsel: AI vant. Men bare med en hårs bredde.

Mennesker mot AI

Forskerne bestemte seg for å gjennomføre et eksperiment hvor en menneske med dyp forståelse av protein-design og selv-samling ble sammenlignet med et kunstig intelligens-program med prediktive evner. Vikas Nanda, en forsker ved Center for Advanced Biotechnology and Medicine (CABM) ved Rutgers, var toppkandidat på listen over potensielle forskere.

Eksperimentet hadde som mål å se hvem som kunne gjøre beste jobben med å forutsi hvilke proteinsekvenser som ville kombinere mest suksessfullt.

Resultatene ble publisert i Nature Chemistry.

Nanda, forskere ved Argonne National Laboratory i Illinois, og flere kolleger rundt om i USA sa at kampen var “nær, men avgjørende”. Konkurransen satte Nanda og flere kolleger mot AI-programmet, som vant med en liten margin.

Forskerne søker mer kunnskap om protein-selv-samling, og tror at ved å forstå det bedre, kan de designe nye og innovative produkter for medisinske og industrielle formål. Et av disse produktene kunne være kunstig menneskelig vev for sår, mens et annet kunne være katalysatorer for nye kjemiske produkter.

Nanda er professor ved avdelingen for biokjemi og molekylærbiologi ved Rutgers Robert Wood Johnson Medical School.

“Til tross for vår omfattende ekspertise, gjorde AI like godt eller bedre på flere datasett, og viste det enorme potensialet for maskinlæring til å overvinne menneskelig fordom,” sa Nanda.

Protein-design og selv-samling

Proteiner består av store mengder aminosyrer som er koblet sammen, og kjedene folder seg opp til å danne tredimensjonale molekyler med komplekse former. Formen på hvert protein, og aminosyrer som er inneholdt i det, bestemmer dets atferd. Forskere som Nanda er involvert i “protein-design”, som betyr at de skaper sekvenser som produserer nye proteiner. Teamet har nylig designet et syntetisk protein som kan raskt detektere VX, en farlig nerve-gass. Denne nye utviklingen kunne ha store implikasjoner for nye biosensorer og behandlinger.

Proteiner selv-samler med andre proteiner for å danne superstrukturer som er viktige i biologi. I noen tilfeller ser det ut til at proteinene følger en design, som når de selv-samler seg til en beskyttende ytre skall av en virus. Andre ganger selv-samler de seg når de danner biologiske strukturer assosiert med visse sykdommer.

“Å forstå protein-selv-samling er grunnleggende for å gjøre fremskritt i mange felt, inkludert medisin og industri,” sa Nanda.

Nanda og fem andre kolleger fikk en liste over proteiner og ble bedt om å forutsi hvilke som sannsynligvis ville selv-samle seg. Forutsagnene ble så sammenlignet med dataprogrammets forutsagn.

De menneskelige ekspertene brukte regler basert på deres observasjoner av protein-atferd i eksperimenter, inkludert mønster av elektriske ladninger og grad av aversjon mot vann. De valgte 11 proteiner de forutså ville selv-samle seg, mens AI valgte ni proteiner.

Eksperimentet viste at menneskene gjorde seks korrekte forutsagn av de 11 proteinene, mens dataprogrammet valgte ni.

Eksperimentet viste også at de menneskelige ekspertene “favoriserte” visse aminosyrer over andre, noe som ledet til feil valg. AI valgte korrekt noen proteiner med kvaliteter som ikke gjorde dem åpenbare.

“Vi arbeider for å få en grunnleggende forståelse av den kjemiske naturen av interaksjoner som fører til selv-samling, så jeg var bekymret for at bruken av disse programmene ville forhindre viktige innsikter,” sa Nanda. “Men hva jeg begynner å forstå er at maskinlæring bare er et annet verktøy, som ethvert annet.”