Systemy AI odkrywają plany sztucznych białek

Zespół badaczy z Pritzker School of Molecular Engineering (PME) na Uniwersytecie Chicagowskim最近 osiągnął sukces w tworzeniu systemu AI, który może tworzyć całkowicie nowe, sztuczne białka, analizując duże ilości danych.

Białka są makrocząsteczkami niezbędnymi do budowy tkanek w żywych organizmach i są niezbędne do życia komórek w ogóle. Białka są używane przez komórki jako katalizatory chemiczne, aby powodować różne reakcje chemiczne i wykonywać złożone zadania. Jeśli naukowcy będą w stanie odkryć, jak niezawodnie inżynierować sztuczne białka, może to otworzyć drzwi do nowych sposobów pochłaniania węgla, nowych metod pozyskiwania energii i nowych metod leczenia chorób. Sztuczne białka mają moc dramatycznie zmienić świat, w którym żyjemy. Jak donosi EurekaAlert, niedawne przełomy dokonane przez badaczy z PME Uniwersytetu Chicagowskiego przybliżyły naukowców do tych celów. Badacze z PME wykorzystali algorytmy uczenia maszynowego, aby opracować system zdolny do generowania nowych form białek.

Zespół badawczy stworzył modele uczenia maszynowego, które zostały przeszkolone na danych pobranych z różnych baz danych genomowych. Podczas gdy modele się uczyły, zaczęły rozróżniać wspólne podstawowe wzorce, proste reguły projektowe, które umożliwiają tworzenie sztucznych białek. Po wdrożeniu tych wzorców i zsyntetyzowaniu odpowiednich białek w laboratorium, badacze odkryli, że sztuczne białka tworzyły reakcje chemiczne, które były prawie tak skuteczne, jak te wywołane przez naturalnie występujące białka.

Według profesora Josepha Regensteina na PME UC, Rama Ranganathana, zespół badawczy odkrył, że dane genomowe zawierają ogromną ilość informacji dotyczących podstawowych funkcji i struktur białek. Wykorzystując uczenie maszynowe do rozpoznania tych wspólnych struktur, badacze byli “w stanie ujarzmić reguły natury, aby tworzyć białka sami”.

Badacze skupili się na enzymach metabolicznych w tym badaniu, a w szczególności na rodzinie białek zwanych mutazą chorizmatu. Ta rodzina białek jest niezbędna do życia w szerokiej gamie roślin, grzybów i bakterii.

Ranganathan i jego współpracownicy zdali sobie sprawę, że bazy danych genomowych zawierają wglądy, które tylko czekają na odkrycie przez naukowców, ale że tradycyjne metody ustalania reguł dotyczących struktury i funkcji białek miały tylko ograniczony sukces. Zespół postanowił opracować modele uczenia maszynowego, które mogą ujawnić te reguły projektowe. Odkrycia modeli wskazują, że nowe sztuczne sekwencje mogą być tworzone przez zachowanie pozycji aminokwasów i korelacji w ewolucji par aminokwasów.

Zespół badawczy stworzył syntetyczne geny, które kodowały sekwencje aminokwasów, tworząc te białka. Sklonowali bakterie z tymi syntetycznymi genami i odkryli, że bakterie wykorzystywały syntetyczne białka w swojej maszynerii komórkowej, funkcjonując niemal tak samo, jak regularne białka.

Według Ranganathana, proste reguły, które ich AI odróżniły, mogą być wykorzystane do tworzenia sztucznych białek o niesamowitej złożoności i różnorodności. Jak Ranganathan wyjaśnił EurekaAlert:

“Ograniczenia są znacznie mniejsze, niż sobie wyobrażaliśmy. Istnieje pewna prostota w regułach projektowych natury, i wierzymy, że podobne podejścia mogą pomóc nam szukać modeli projektowych w innych złożonych systemach biologicznych, takich jak ekosystemy lub mózg”.

Ranganathan i jego współpracownicy chcą wykorzystać swoje modele i uogólnić je, tworząc platformę, którą naukowcy mogą wykorzystać, aby lepiej zrozumieć, jak białka są budowane i jakie mają skutki. Chcą wykorzystać swoje systemy AI, aby umożliwić innym naukowcom odkrywanie białek, które mogą rozwiązać ważne problemy, takie jak zmiana klimatu. Ranganathan i profesor Andrew Ferguson założyli firmę o nazwie Evozyne, która ma na celu komercjalizację tej technologii i promowanie jej wykorzystania w dziedzinach takich jak rolnictwo, energia i środowisko.

Zrozumienie wspólności między białkami i relacji między strukturą a funkcją może również pomóc w tworzeniu nowych leków i form terapii. Chociaż składanie białek długo było uważane za niezwykle trudny problem dla komputerów, wglądy z modeli takich jak ten, opracowany przez zespół Ranganathana, mogą pomóc zwiększyć szybkość tych obliczeń, ułatwiając tworzenie nowych leków na podstawie tych białek. Leki mogą być opracowane w celu blokowania tworzenia białek w wirusach, potencjalnie pomagając w leczeniu nawet nowych wirusów, takich jak koronawirus Covid-19.

Ranganathan i reszta zespołu badawczego wciąż muszą zrozumieć, jak i dlaczego ich modele działają oraz jak produkują niezawodne plany białek. Następnym celem zespołu badawczego jest lepsze zrozumienie, jakie atrybuty modele biorą pod uwagę, aby dojść do swoich wniosków.