Sztuczna inteligencja symuluje 500 milionów lat ewolucji – i tworzy nowy białko!

Ewolucja przez miliardy lat doskonaliła życie na poziomie molekularnym. Białka, podstawowe budulce życia, ewoluowały poprzez ten proces, aby spełniać różne funkcje biologiczne, od walki z infekcjami po trawienie pokarmu. Te złożone cząsteczki składają się z długich łańcuchów aminokwasów ułożonych w precyzyjne sekwencje, które dyktują ich strukturę i funkcję. Chociaż natura wytworzyła nadzwyczajną różnorodność białek, zrozumienie ich struktury i projektowanie całkowicie nowych białek było od dawna skomplikowanym wyzwaniem dla naukowców.

Ostatnie postępy w dziedzinie sztucznej inteligencji przekształcają naszą zdolność do rozwiązywania niektórych z największych wyzwań biologii. Wcześniej sztuczna inteligencja była używana do przewidywania, jak dana sekwencja białka się zachowa – skomplikowane wyzwanie ze względu na ogromną liczbę konfiguracji. Ostatnio sztuczna inteligencja posunęła się do generowania całkowicie nowych białek w niezwykłej skali. Ten kamień milowy został osiągnięty dzięki ESM3, wielomodalnemu modelowi językowemu opracowanemu przez EvolutionaryScale. W przeciwieństwie do konwencjonalnych systemów sztucznej inteligencji zaprojektowanych do przetwarzania tekstu, ESM3 został opracowany, aby zrozumieć sekwencje białek, struktury i funkcje. To, co czyni go naprawdę wyjątkowym, to jego zdolność do symulowania 500 milionów lat ewolucji – wyczyn, który doprowadził do stworzenia całkowicie nowego fluorescencyjnego białka, czegoś, co nie było wcześniej widziane w naturze.

Ten przełom jest znaczącym krokiem w kierunku uczynienia biologii bardziej programowalną, otwierając nowe możliwości projektowania niestandardowych białek o zastosowaniach w medycynie, nauce o materiałach i poza nimi. W tym artykule eksplorujemy, jak ESM3 działa, co osiągnął i dlaczego ten postęp zmienia nasze zrozumienie biologii i ewolucji.

Poznaj ESM3: Sztuczną inteligencję, która symuluje ewolucję

ESM3 to wielomodalny model językowy opracowany do zrozumienia i generowania białek poprzez analizę ich sekwencji, struktur i funkcji. W przeciwieństwie do AlphaFold, który może przewidywać strukturę istniejących białek, ESM3 jest podstawowo modelem inżynierii białek, pozwalając badaczom określać wymagania funkcjonalne i strukturalne w celu zaprojektowania całkowicie nowych białek.

Model posiada głęboką wiedzę na temat sekwencji białek, struktur i funkcji, a także zdolność generowania białek poprzez interakcję z użytkownikami. Ta zdolność umożliwia modelowi generowanie białek, które mogą nie istnieć w naturze, a jednak pozostają biologicznie wykonalne. Stworzenie nowego zielonego fluorescencyjnego białka (esmGFP) jest uderzającym dowodem tej zdolności. Fluorescencyjne białka, początkowo odkryte w meduzach i koralach, są powszechnie stosowane w badaniach medycznych i biotechnologii. Aby opracować esmGFP, badacze dostarczyli ESM3 kluczowych cech strukturalnych i funkcjonalnych znanych fluorescencyjnych białek. Następnie model iteracyjnie udoskonalił projekt, stosując łańcuch myślowy podejście do optymalizacji sekwencji. Podczas gdy naturalna ewolucja mogłaby zająć miliony lat, aby wyprodukować podobne białko, ESM3 przyspiesza ten proces, osiągając to w dniach lub tygodniach.

Proces projektowania białek przy użyciu sztucznej inteligencji

Oto, jak badacze użyli ESM3 do opracowania esmGFP:

1. Wprowadzanie danych do sztucznej inteligencji – Początkowo wprowadzili sekwencje i strukturalne wskazówki, aby skierować ESM3 w kierunku cech związanych z fluorescencją.
2. Generowanie nowych białek – ESM3 zbadał ogromną przestrzeń potencjalnych sekwencji, aby wyprodukować tysiące kandydujących białek.
3. Filtrowanie i udoskonalanie – Najbardziej obiecujące projekty zostały przefiltrowane i zsyntetyzowane do testowania laboratoryjnego.
4. Weryfikacja w żywych komórkach – Wybrane białka zaprojektowane przez sztuczną inteligencję zostały wyrażone w bakterii, aby potwierdzić ich fluorescencję i funkcjonalność.

Ten proces doprowadził do powstania fluorescencyjnego białka (esmGFP) niepodobnego do niczego w naturze.

Jak esmGFP porównuje się do naturalnych białek

To, co czyni esmGFP wyjątkowym, to jego odległość od znanych fluorescencyjnych białek. Podczas gdy większość nowo odkrytych GFP ma niewielkie różnice od istniejących, esmGFP ma tożsamość sekwencji tylko 58% w stosunku do swojego najbliższego naturalnego krewniaka. Ewolucyjnie taka różnica odpowiada czasowi rozbieżności ponad 500 milionów lat.

Aby to uwypuklić, ostatni raz, gdy białka o podobnych ewolucyjnych odległościach pojawiły się, dinozaury jeszcze nie pojawiły się, a życie wielokomórkowe było wciąż we wczesnych stadiach. To oznacza, że sztuczna inteligencja nie tylko przyspieszyła ewolucję, ale także symulowała całkowicie nową ścieżkę ewolucyjną, wytwarzając białka, których natura mogłaby nigdy nie stworzyć.

Dlaczego to odkrycie ma znaczenie

Ten rozwój jest znaczącym krokiem do przodu w inżynierii białek i pogłębia nasze zrozumienie ewolucji. Symulując miliony lat ewolucji w zaledwie kilka dni, sztuczna inteligencja otwiera drzwi do ekscytujących nowych możliwości:

• Szybsze odkrywanie leków: Wiele leków działa, celując w określone białka, ale znalezienie odpowiednich jest powolne i kosztowne. Białka zaprojektowane przez sztuczną inteligencję mogą przyspieszyć ten proces, pomagając badaczom odkrywać nowe leki bardziej efektywnie.
• Nowe rozwiązania w bioinżynierii: Białka są stosowane we wszystkim, od rozkładania odpadów plastikowych do wykrywania chorób. Z projektowaniem przy użyciu sztucznej inteligencji naukowcy mogą tworzyć niestandardowe białka dla opieki zdrowotnej, ochrony środowiska i nawet nowych materiałów.
• Sztuczna inteligencja jako symulator ewolucji: Jednym z najbardziej interesujących aspektów tego badania jest to, że pozycjonuje sztuczną inteligencję jako symulatora ewolucji, a nie tylko jako narzędzie do analizy. Tradycyjne symulacje ewolucyjne obejmują iterowanie przez mutacje genetyczne, często zajmując miesiące lub lata, aby wygenerować wykonalne kandydaty. ESM3 jednak omija te powolne ograniczenia, przewidując funkcjonalne białka bezpośrednio. Ten zwrot w podejściu oznacza, że sztuczna inteligencja nie tylko może naśladować ewolucję, ale także aktywnie eksplorować ewolucyjne możliwości poza naturą. Z enough mocą obliczeniową sztuczna inteligencja mogłaby odkryć nowe właściwości biochemiczne, które nigdy nie istniały w świecie naturalnym.

Zagadnienia etyczne i odpowiedzialny rozwój sztucznej inteligencji

Chociaż potencjalne korzyści z projektowania białek przy użyciu sztucznej inteligencji są ogromne, ta technologia również podnosi pytania etyczne i bezpieczeństwa. Co się stanie, gdy sztuczna inteligencja zacznie projektować białka poza ludzkim zrozumieniem? Jak możemy zapewnić, że te białka są bezpieczne do stosowania medycznego lub środowiskowego?

Musimy się skoncentrować na odpowiedzialnym rozwoju sztucznej inteligencji i gruntownym testowaniu, aby rozwiązać te obawy. Białka wygenerowane przez sztuczną inteligencję, takie jak esmGFP, powinny przejść obszerne testy laboratoryjne przed rozważeniem ich do zastosowań w świecie rzeczywistym. Dodatkowo ramy etyczne dla biologii napędzanej sztuczną inteligencją są rozwijane, aby zapewnić przejrzystość, bezpieczeństwo i zaufanie publiczne.

Podsumowanie

Uruchomienie ESM3 jest ważnym rozwojem w dziedzinie biotechnologii. ESM3 pokazuje, że ewolucja nie powinna być powolnym, próbnym procesem. Skompresowanie 500 milionów lat ewolucji białek w zaledwie kilka dni otwiera przyszłość, w której naukowcy mogą projektować całkowicie nowe białka z niesamowitą szybkością i dokładnością. Rozwój ESM3 oznacza, że możemy nie tylko używać sztucznej inteligencji do zrozumienia biologii, ale także ją przekształcać. Ten przełom pomaga nam posuwać się do przodu w naszej zdolności do programowania biologii tak, jak programujemy oprogramowanie, odblokowując możliwości, których dopiero zaczynamy sobie wyobrażać. design brand-new proteins with incredible speed and accuracy. The development of ESM3 means that we can not just use AI to understand biology but also to reshape it. This breakthrough helps us to advance our ability to program biology the way we program software, unlocking possibilities we’re only beginning to imagine.