AlphaProteo: Прорыв Google DeepMind в области проектирования белков

В постоянно развивающейся области молекулярной биологии одной из наиболее 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) значительно ускоряют этот процесс.

В сентябре 2024 года Neuralink успешно имплантировала свой мозговой чип во второго участника клинических испытаний, расширяя пределы того, что могут đạtить интерфейсы “мозг-компьютер”. Этот имплант позволяет людям контролировать устройства исключительно мысленно.

В то же время AlphaProteo от DeepMind появился как прорывной инструмент ИИ, предназначенный для проектирования новых белков для решения некоторых из наиболее значительных 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 значительно 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 биологии 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 компанией Google DeepMind в 2024 году привел к новому уровню предсказания структуры белков, включая биомолекулярные комплексы и расширяя 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 впечатляющей точностью 76% в экспериментальных испытаниях, что значительно опережает ее конкурентов.

В параллели RoseTTAFold Diffusion также представил 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 Bereich прогресса в 2024 году был в синтетической биологии, 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 (GRPH ), 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 организма для исправления дефектных генов.

Кроме того, инновации в предсказательных оценках внецелевых воздействий, таких как те, которые были разработаны компанией SeQure Dx, улучшают безопасность редактирования генов, выявляя непреднамеренные редактирования и смягчая риски. Эти достижения особенно важны для обеспечения того, чтобы генетические методы лечения были безопасными и эффективными до их применения к пациентам​(

3. Секвенирование отдельных клеток и метагеномика

Технологии, такие как секвенирование отдельных клеток, достигли новых высот в 2024 году, предлагая беспрецедентное разрешение на уровне отдельных клеток. Это позволяет исследователям изучать гетерогенность клеток, что особенно ценно в исследованиях рака. Анализируя отдельные клетки внутри опухоли, исследователи могут определить, какие клетки устойчивы к лечению, направляя более эффективные терапевтические стратегии.

Между тем, метагеномика предоставляет глубокие знания 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 для методов лечения, нацеленных непосредственно на микробиом​(

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, является их способностью сворачиваться в сложные трехмерные формы, позволяя им взаимодействовать с другими молекулами. Белковые связыватели, которые плотно прикрепляются к конкретным целевым молекулам, 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 целевой молекулой, значительно 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, основанном на тех же техниках глубокого обучения, которые питали его предшественника, AlphaFold.

В то время как AlphaFold революционизировал область, предсказывая структуру белков с беспрецедентной точностью, AlphaProteo идет дальше, создавая полностью новые белки, предназначенные для решения конкретных биологических задач.

Архитектура AlphaProteo представляет собой сложную комбинацию генеративной модели, обученной на больших наборах данных структуры белков, включая те, которые из Банка данных белков (PDB), и миллионов предсказанных структур, сгенерированных AlphaFold. Это позволяет AlphaProteo не только предсказывать, как белки сворачиваются, но и проектировать новые белки, которые могут взаимодействовать с конкретными молекулярными мишенями на детальном, молекулярном уровне.

Эта диаграмма демонстрирует рабочий процесс AlphaProteo, где проектируются, фильтруются и экспериментально проверяются белковые связыватели

• 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 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 для подтверждения того, какие связыватели эффективно взаимодействуют с целевым белком.

AlphaProteo проектирует связыватели, которые специально нацелены на ключевые горячие точки (желтый цвет) 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 трехмерные модели целевых белков, использованных 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

1. Высокая связывающая способность: AlphaProteo отличается способностью проектировать белковые связыватели с высокой связывающей способностью к их мишеням, превосходя традиционные методы, которые часто требуют многочисленных раундов лабораторной оптимизации. Он генерирует белковые связыватели, которые плотно прикрепляются к их предполагаемым мишеням, значительно улучшая их эффективность в таких применениях, как разработка лекарств и диагностика. Например, его связыватели для VEGF-A, белка, связанного с раком, показали связывающую способность, которая была в 300 раз сильнее, чем у существующих методов​.
2. Нацеливание 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 рако-ассоциированный белок VEGF-A, который является важным в терапиях для диабетической ретинопатии​.
3. Экспериментальный успех: Одной из наиболее впечатляющих особенностей AlphaProteo является его высокий экспериментальный успех. В лабораторных испытаниях спроектированные им связыватели показали высокий успех в связывании с целевыми белками, сокращая количество экспериментальных раундов, обычно необходимых. В испытаниях на вирусном белке BHRF1 конструкции AlphaProteo имели 88% успеха, что является значительным улучшением по сравнению с предыдущими методами​.
4. Оптимизация, не требующая проектирования: 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 рако-ассоциированный белок TrkA, AlphaProteo произвел связыватели, которые превосходили те, которые были разработаны с помощью обширной экспериментальной оптимизации​.

Успех в экспериментах (График слева) – Лучшая связывающая способность (График справа)

• AlphaProteo превосходил традиционные методы по большинству мишеней, заметно достигнув 88% успеха с BHRF1, по сравнению с чуть менее 40% у предыдущих методов.
• Успех AlphaProteo с VEGF-A и IL-7RA был значительно выше, демонстрируя его способность решать сложные задачи в терапии рака.
• AlphaProteo также последовательно генерирует связыватели с гораздо 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 является длительной и дорогостоящей. AlphaProteo ускоряет этот процесс, генерируя белковые связыватели с высокой связывающей способностью, 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 иммунотерапии рака​. Ингибируя PD-L1, связыватели AlphaProteo могли бы помочь иммунной системе лучше идентифицировать и устранять 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 позволить более точную и быструю диагностику заболеваний, таких как вирусные инфекции, рак и аутоиммунные расстройства. Например, способность AlphaProteo проектировать связыватели для SARS-CoV-2 могла бы привести к более быстрым и точным диагностическим инструментам для COVID-19​.

3. Иммунотерапия

Способность AlphaProteo проектировать высокосpecificные белковые связыватели особенно ценна в области иммунотерапии. Иммунотерапии используют иммунную систему организма для борьбы с заболеваниями, включая рак. Одна из задач в этой области заключается в разработке белков, которые могут связываться с и модулировать иммунные ответы эффективно. С помощью точности AlphaProteo в нацеливании на конкретные белки на иммунных клетках, он может повысить 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 могли бы улучшить чувствительность и специфичность этих устройств, делая их более надежными в обнаружении вредных веществ​.

Ограничения и будущие направления

Как и любая новая технология, AlphaProteo не является без ограничений. Например, система испытывала трудности в проектировании эффективных связывателей для белка TNFα, сложной мишени, связанной с аутоиммунными заболеваниями, такими как ревматоидный артрит. Это подчеркивает, что хотя AlphaProteo является высокоэффективным для многих мишеней, он все еще имеет место для улучшения.

DeepMind активно работает над расширением возможностей AlphaProteo, особенно в решении сложных задач, таких как TNFα. Команда также исследует новые применения для технологии, включая использование AlphaProteo для проектирования белков для улучшения культур и экологической устойчивости.

Заключение

Драстически 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 того, как AlphaProteo продолжает развиваться, 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.