Искусственный интеллект
AlphaProteo: прорыв Google DeepMind в области проектирования белков
В постоянно развивающейся области молекулярной биологии одной из самых сложных задач является проектирование белков, которые могут эффективно связываться с конкретными мишенями, такими как вирусные белки, маркеры рака или компоненты иммунной системы. Эти белковые связыватели являются важными инструментами в открытии лекарств, лечении заболеваний, диагностике и биотехнологии. Традиционные методы создания этих белковых связывателей являются трудоемкими, длительными и часто требуют многочисленных раундов оптимизации. Однако recent достижения в области искусственного интеллекта (ИИ) существенно ускоряют этот процесс.
В сентябре 2024 года Neuralink успешно имплантировала свой мозговой чип во второго человека в рамках своих клинических испытаний, расширяя границы того, что могут достижать интерфейсы мозг-компьютер. Этот имплант позволяет людям контролировать устройства исключительно мысленно.
В то же время AlphaProteo от DeepMind появился как прорывной инструмент ИИ, который проектирует новые белки для решения некоторых из самых больших проблем биологии. В отличие от предыдущих моделей, таких как AlphaFold, которые предсказывают структуру белков, AlphaProteo решает более сложную задачу создания новых белковых связывателей, которые могут плотно связываться с конкретными молекулярными мишенями. Эта способность может существенно ускорить открытие лекарств, диагностические инструменты и даже разработку биосенсоров. Например, в ранних испытаниях AlphaProteo успешно спроектировал связыватели для белка шипа SARS-CoV-2 и белков, участвующих в раке и воспалении, показав связывающую способность, которая была в 3-300 раз сильнее, чем у существующих методов.
Что делает это пересечение между биологией и ИИ еще более привлекательным, так это то, как эти достижения в нейронных интерфейсах и проектировании белков отражают более широкий сдвиг в сторону био-цифровой интеграции.
В 2024 году достижения в интеграции ИИ и биологии достигли беспрецедентных уровней, стимулируя инновации в таких областях, как открытие лекарств, персонализированная медицина и синтетическая биология. Вот подробный взгляд на некоторые из ключевых прорывов, формирующих ландшафт в этом году:
1. AlphaFold3 и RoseTTAFold Diffusion: следующее поколение проектирования белков
Выпуск AlphaFold3 от Google DeepMind в 2024 году поднял предсказание структуры белков на новый уровень, включив в себя биомолекулярные комплексы и расширив свои предсказания для включения небольших молекул и лигандов. AlphaFold3 использует диффузионную модель ИИ для уточнения структуры белков, подобно тому, как ИИ-генерируемые изображения создаются из грубых эскизов. Эта модель особенно точна в предсказании того, как белки взаимодействуют с лигандами, с впечатляющим показателем точности 76% в экспериментальных испытаниях – намного выше, чем у ее конкурентов.
В параллели RoseTTAFold Diffusion также ввел новые возможности, включая способность проектировать де-ново белки, которые не существуют в природе. Хотя обе системы еще улучшаются в точности и применении, их достижения, как ожидается, сыграют решающую роль в открытии лекарств и биофармацевтических исследованиях, потенциально сокращая время, необходимое для разработки новых лекарств(
2. Синтетическая биология и редактирование генов
Другой значительный областью прогресса в 2024 году стала синтетическая биология, особенно в области редактирования генов. CRISPR-Cas9 и другие инструменты генетической инженерии были усовершенствованы для более точного ремонта ДНК и редактирования генов. Компании, такие как Graphite Bio, используют эти инструменты для исправления генетических мутаций на беспрецедентном уровне точности, открывая двери для потенциально излечивающих методов лечения генетических заболеваний. Этот метод, известный как репарация, направленная на гомологию, использует естественные механизмы ремонта ДНК для исправления дефектных генов.
Кроме того, инновации в предсказуемых оценках внецелевых эффектов, таких как те, которые были разработаны SeQure Dx, улучшают безопасность редактирования генов, выявляя непреднамеренные редактирования и смягчая риски. Эти достижения особенно важны для обеспечения того, чтобы генные терапии были безопасными и эффективными до их применения к человеческим пациентам(
3. Секвенирование отдельных клеток и метагеномика
Технологии, такие как секвенирование отдельных клеток, достигли новых высот в 2024 году, предлагая беспрецедентное разрешение на уровне клетки. Это позволяет исследователям изучать гетерогенность клеток, что особенно ценно в исследованиях рака. Анализируя отдельные клетки внутри опухоли, исследователи могут выявить, какие клетки устойчивы к лечению, что направляет более эффективные терапевтические стратегии.
Между тем, метагеномика дает глубокие представления о микробных сообществах, как в контексте здоровья человека, так и в окружающей среде. Этот метод помогает анализировать микробиом, чтобы понять, как микробные популяции способствуют заболеваниям, предлагая новые подходы к лечению, которые нацелены на микробиом напрямую(
Игра, меняющая правила в проектировании белков
Белки являются фундаментальными для практически каждого процесса в живых организмах. Эти молекулярные машины выполняют широкий спектр функций, от катализа метаболических реакций до репликации ДНК. То, что делает белки так универсальными, – это их способность сворачиваться в сложные трехмерные формы, позволяя им взаимодействовать с другими молекулами. Белковые связыватели, которые плотно прикрепляются к конкретным молекулярным мишеням, являются важными в модуляции этих взаимодействий и часто используются в разработке лекарств, иммунотерапиях и диагностических инструментах.
Традиционный процесс проектирования белковых связывателей медленный и сильно зависит от проб и ошибок. Ученые часто должны просеивать через большие библиотеки последовательностей белков, тестируя каждый кандидат в лаборатории, чтобы увидеть, какие из них работают лучше всего. AlphaProteo меняет эту парадигму, используя силу глубокого обучения для предсказания, какие последовательности белков будут эффективно связываться с молекулярной мишенью, существенно сокращая время и стоимость, связанные с традиционными методами.
Как работает AlphaProteo
AlphaProteo основан на тех же принципах глубокого обучения, которые сделали его предшественника, AlphaFold, прорывным инструментом для предсказания структуры белков. Однако, в то время как AlphaFold фокусируется на предсказании структуры существующих белков, AlphaProteo делает шаг вперед, проектируя полностью новые белки.
Как работает AlphaProteo: глубокое погружение в проектирование белков, управляемое ИИ
AlphaProteo представляет собой прорыв в проектировании белков, управляемом ИИ, построенный на тех же глубоких обучающих техниках, которые питали его предшественника, AlphaFold.
Хотя AlphaFold революционизировал эту область, предсказывая структуру белков с беспрецедентной точностью, AlphaProteo идет дальше, создавая полностью новые белки, предназначенные для решения конкретных биологических задач.
Подlying архитектура AlphaProteo – это сложная комбинация генеративной модели, обученной на больших наборах данных структур белков, включая те, которые из Банка данных белков (PDB), и миллионов предсказанных структур, сгенерированных AlphaFold. Это позволяет AlphaProteo не только предсказывать, как сворачиваются белки, но и проектировать новые белки, которые могут взаимодействовать с конкретными молекулярными мишенями на детальном, молекулярном уровне.
- Генератор: Модель машинного обучения AlphaProteo генерирует множество потенциальных белковых связывателей, используя большие наборы данных, такие как те, которые из Банка данных белков (PDB) и предсказаний AlphaFold.
- Фильтр: Критически важный компонент, который оценивает эти сгенерированные связыватели на основе их вероятности успешного связывания с целевым белком, эффективно сокращая количество конструкций, которые необходимо протестировать в лаборатории.
- Эксперимент: Этот шаг включает в себя тестирование отфильтрованных конструкций в лаборатории, чтобы подтвердить, какие связыватели эффективно взаимодействуют с целевым белком.
AlphaProteo проектирует связыватели, которые специально нацелены на ключевые горячие точки (желтый) на поверхности белка. Синяя секция представляет собой спроектированный связыватель, который моделируется для точного взаимодействия с выделенными горячими точками на целевом белке.
Для части C изображения; оно показывает 3D-модели целевых белков, используемых в экспериментах AlphaProteo. Эти включают терапевтически значимые белки, участвующие в различных биологических процессах, таких как иммунный ответ, вирусные инфекции и прогрессия рака.
Расширенные возможности AlphaProteo
- Высокая связывающая способность: AlphaProteo превосходит в проектировании белковых связывателей с высокой связывающей способностью для их мишеней, превосходя традиционные методы, которые часто требуют многочисленных раундов лабораторной оптимизации. Он генерирует белковые связыватели, которые прикрепляются плотно к их намеченным мишеням, существенно улучшая их эффективность в таких применениях, как разработка лекарств и диагностика. Например, его связыватели для VEGF-A, белка, связанного с раком, показали связывающую способность до 300 раз сильнее, чем существующие методы.
- Направленность на разнообразные белки: AlphaProteo может проектировать связыватели для широкого спектра белков, участвующих в критических биологических процессах, включая те, которые связаны с вирусными инфекциями, раком, воспалением и аутоиммунными заболеваниями. Он был особенно успешен в проектировании связывателей для мишеней, таких как белок шипа SARS-CoV-2, необходимый для инфекции COVID-19, и рак-связанный белок VEGF-A, который имеет решающее значение в терапиях для диабетической ретинопатии.
- Экспериментальный успех: Одна из наиболее впечатляющих особенностей AlphaProteo – это его высокий экспериментальный успех. В лабораторных испытаниях спроектированные им связыватели продемонстрировали высокий успех в связывании с целевыми белками, сокращая количество экспериментальных раундов, обычно необходимых. В испытаниях на вирусном белке BHRF1 конструкции AlphaProteo имели 88% успех, что является значительным улучшением по сравнению с предыдущими методами.
- Оптимизация, не требующая конструкции: В отличие от традиционных подходов, которые часто требуют нескольких раундов оптимизации для улучшения связывающей способности, AlphaProteo способен генерировать связыватели с сильными связывающими свойствами с самого начала. Для определенных сложных мишеней, таких как рак-связанный белок TrkA, AlphaProteo произвел связыватели, которые превосходили те, которые были разработаны через обширную экспериментальную оптимизацию.
Экспериментальный успех (Левый график) – Лучшая связывающая способность (Правый график)
- AlphaProteo превосходит традиционные методы по большинству мишеней, особенно достигая 88% успеха с BHRF1, по сравнению с чуть менее 40% с предыдущими методами.
- Успех AlphaProteo с мишенями VEGF-A и IL-7RA был значительно выше, демонстрируя его способность решать сложные задачи в терапии рака.
- AlphaProteo также последовательно генерирует связыватели с намного более высокой связывающей способностью, особенно для сложных белков, таких как VEGF-A, что делает его ценным инструментом в разработке лекарств и лечении заболеваний.
Как AlphaProteo продвигает применения в биологии и здравоохранении
Новый подход AlphaProteo к проектированию белков открывает широкий спектр применений, делая его мощным инструментом в нескольких областях биологии и здравоохранения.
1. Разработка лекарств
Современное открытие лекарств часто полагается на небольшие молекулы или биологические вещества, которые связываются с белками, связанными с заболеваниями. Однако разработка этих молекул часто занимает много времени и дорога. AlphaProteo ускоряет этот процесс, генерируя высокоаффинные белковые связыватели, которые могут служить основой для новых лекарств. Например, AlphaProteo был использован для проектирования связывателей для PD-L1, белка, участвующего в регуляции иммунной системы, который играет ключевую роль в иммунотерапиях против рака. Ингибируя PD-L1, связыватели AlphaProteo могли бы помочь иммунной системе лучше выявить и устранить раковые клетки.
2. Диагностические инструменты
В диагностике белковые связыватели, спроектированные AlphaProteo, могут быть использованы для создания высокочувствительных биосенсоров, способных обнаруживать белки, специфичные для заболеваний. Это может обеспечить более точную и быструю диагностику заболеваний, таких как вирусные инфекции, рак и аутоиммунные расстройства. Например, способность AlphaProteo проектировать связыватели для SARS-CoV-2 может привести к более быстрым и точным диагностическим инструментам для COVID-19.
3. Иммунотерапия
Способность AlphaProteo проектировать высоко специфичные белковые связыватели особенно ценна в области иммунотерапии. Иммунотерапии используют иммунную систему организма для борьбы с заболеваниями, включая рак. Одна из проблем в этой области – разработка белков, которые могут связываться с и модулировать иммунные ответы эффективно. С точностью AlphaProteo в нацеливании на конкретные белки на иммунных клетках, он может улучшить разработку новых, более эффективных иммунотерапий.
4. Биотехнология и биосенсоры
Белковые связыватели, спроектированные AlphaProteo, также ценны в биотехнологии, особенно в создании биосенсоров – устройств, используемых для обнаружения конкретных молекул в различных средах. Биосенсоры имеют применения, варьирующиеся от мониторинга окружающей среды до безопасности пищевых продуктов. Связыватели AlphaProteo могут улучшить чувствительность и специфичность этих устройств, делая их более надежными в обнаружении вредных веществ.
Ограничения и будущие направления
Как и любой новый технологии, AlphaProteo не без ограничений. Например, система испытала трудности в проектировании эффективных связывателей для белка TNF𝛼, сложной мишени, связанной с аутоиммунными заболеваниями, такими как ревматоидный артрит. Это подчеркивает, что, хотя AlphaProteo высокоэффективен для многих мишеней, он все еще имеет место для улучшения.
DeepMind активно работает над расширением возможностей AlphaProteo, особенно в решении сложных мишеней, таких как TNF𝛼. Команда также исследует новые применения для этой технологии, включая использование AlphaProteo для проектирования белков для улучшения культур и экологической устойчивости.
Заключение
Существенно сокращая время и стоимость, связанные с традиционными методами проектирования белков, AlphaProteo ускоряет инновации в биологии и медицине. Его успех в создании белковых связывателей для сложных мишеней, таких как белок шипа SARS-CoV-2 и VEGF-A, демонстрирует его потенциал решить некоторые из наиболее насущных проблем здравоохранения нашего времени.
По мере эволюции AlphaProteo его влияние на науку и общество будет только расти, предлагая новые инструменты для понимания жизни на молекулярном уровне и открывая новые возможности для лечения заболеваний.
