Dział DeepMind Gotowy Przekształcić Nauki Biologiczne Poprzez Rozwiązanie Problemu Składania Białek

Dział AI firmy Google (GOOGL ), DeepMind, niedawno zrobił znaczny postęp w rozwiązaniu jednego z najstarszych wyzwań biologii, obliczaniu kształtu białka z sekwencji aminokwasowej. Według Nature, przełom ten ma potencjał przekształcić dziedziny biologii i chemii, umożliwiając naukowcom określenie funkcji wielu białek, które obecnie są tajemnicze.

Kształt białka określa jego funkcję, a większość funkcji biologicznych zależy od białek. “Składanie białek” to nazwa procesu, który przekształca łańcuchy aminokwasów w trójwymiarowe struktury, których białka potrzebują do wykonania swoich funkcji. Jeśli naukowcy mogą określić związek między sekwencjami aminokwasowymi a kształtem białek, które generują, mogą określić, które białka wpływają na różne procesy biologiczne.

Naukowcy hipotezują, że istnieje co najmniej 80 000 białek w ludzkim proteomie, ale tylko niewielki odsetek tych białek ma znane struktury. Tradycyjna metoda określania kształtu białka może trwać lata laboratoryjnych eksperymentów, nawet z wykorzystaniem algorytmów i modeli informatycznych. Praca wykonana przez DeepMind może dramatycznie przyspieszyć proces odkrywania struktur białek, niezawodnie określając strukturę białek w ułamku normalnego czasu.

Naukowcy z DeepMind przeszkolili swoje algorytmy na bazie danych składającej się z około 170 000 sekwencji białkowych i kształtów odpowiadających tym sekwencjom. Algorytmy opracowane przez naukowców były szkolone na około 100-200 procesorach GPU, a proces szkolenia trwał kilka tygodni. Model opracowany przez naukowców nazwano “AlphaFold”.

AlphaFold działa poprzez “algorytm napięcia”, zaczynając od łączenia małych fragmentów białka, a następnie skalując je do łączenia większych i większych sekcji. Małe klastry aminokwasów były najpierw połączone, a następnie algorytm szukał sposobów łączenia tych klastrów.

Naukowcy z AlphaFold początkowo próbowali używać konwencjonalnych algorytmów głębokiego uczenia na danych genetycznych i strukturalnych, aby przewidzieć związek między aminokwasami a białkami. AlphaFold następnie tworzył modele konsensusu dla stylu białek. Gdy ta technika okazała się mieć zbyt wiele ograniczeń, naukowcy spróbowali nowej strategii. Zespół badawczy AlphaFold stworzył modele szkolone na więcej cech, a tym razem model zwracał przewidywania dla ostatecznej struktury sekwencji białkowych.

Zespół inżynierski przetestował AlphaFold, wprowadzając go do konkursu, w którym algorytmy komputerowe konkurują w celu oceny struktury białka z sekwencji aminokwasowych. Konkurs ten to “Krytyczna Ocena Przewidywania Struktury Białka” lub CASP. Uczestnicy konkursu otrzymują 100 sekwencji aminokwasowych, a ich modele muszą określić strukturę białek. AlphaFold nie tylko pokonał inne modele komputerowe pod względem dokładności, ale także osiągnął wyniki porównywalne do tradycyjnych, laboratoryjnych metod modelowania. Ostateczny, medianowy wynik AlphaFold wyniósł około 92 na 100, przy czym metody laboratoryjne otrzymały wynik 90. Medianowy wynik AlphaFold spadł do 87% w przypadku najtrudniejszych białek.

Według CEO i współzałożyciela DeepMind, Demisa Hassabisa, firma już planuje udostępnić AlphaFold naukowcom, a naukowcy z Instytutu Maxa Plancka ds. Biologii Rozwojowej już wykorzystują model do odkrywania struktur białek, nad którymi pracowali przez ponad dekadę.

Janet Thornton, dyrektor emerytowany Europejskiego Instytutu Bioinformatyki, cytowana w ScienceMag powiedziała, że osiągnięcia DeepMind “zmienią przyszłość biologii strukturalnej i badań nad białkami”. Tymczasem biolog z Uniwersytetu w Maryland, Shady Grove, John Moult powiedział, że nigdy nie myślał, że problem składania białek zostanie rozwiązany w tym życiu.

Pomimo że AlphaFold jest mało prawdopodobne, aby całkowicie zastąpić tradycyjne, eksperymentalne metody odkrywania struktur białek, mógłby dramatycznie zwiększyć szybkość, z jaką struktury białek są odkrywane. Naukowcy mogą wymagać mniej wysokiej jakości danych eksperymentalnych, aby określić strukturę białka, a naukowcy już mają dostęp do dużej ilości danych genomowych, które mogą być przetłumaczone na struktury przy użyciu rozwiązań AlphaFold.