Раздел DeepMind готов трансформировать биологические науки, решив проблему сворачивания белков

Раздел ИИ компании Google (GOOGL ), DeepMind, недавно достиг значительного прогресса в решении одной из самых старых задач биологии, вычисления формы белка из последовательности аминокислот. Согласно Nature, этот прорыв имеет потенциал трансформировать области биологии и химии, позволяя ученым определить функцию многих белков, которые в настоящее время являются загадкой.

Форма белка определяет его функцию, и большинство биологических функций зависят от белков. «Сворачивание белка» – это название процесса, который преобразует цепочки аминокислот в трехмерные структуры, необходимые белкам для выполнения их функций. Если ученые смогут определить связь между последовательностью аминокислот и формой белка, они смогут определить, какие белки влияют на различные биологические процессы.

Ученые предполагают, что существует не менее 80 000 белков в человеческом протеоме, но только небольшая часть этих белков имеет известные структуры. Традиционный метод определения формы белка может занять годы лабораторных экспериментов, даже с использованием мощных компьютерных алгоритмов и моделей. Работа, проделанная DeepMind, может значительно ускорить процесс открытия структур белков, надежно определяя структуру белков за долю обычного времени.

Ученые в DeepMind обучили свои алгоритмы на базе данных, состоящей из примерно 170 000 последовательностей белков и соответствующих им форм. Алгоритмы, разработанные исследователями, были обучены на 100-200 GPU, и процесс обучения занял несколько недель. Модель, разработанная исследователями, получила название «AlphaFold».

AlphaFold работает через «алгоритм напряжения», начиная с соединения небольших частей белка и затем масштабируя до соединения более крупных секций. Сначала были связаны небольшие кластеры аминокислот, а затем алгоритм искал способы соединения этих кластеров.

Исследователи AlphaFold изначально пытались использовать традиционные алгоритмы глубокого обучения на генетических и структурных данных для предсказания связи между аминокислотами и белками. AlphaFold затем создала консенсусные модели для стиля белков. Когда этот метод показал слишком много ограничений, исследователи попробовали новую стратегию. Команда AlphaFold создала модели, обученные на более широком спектре признаков, и на этот раз модель возвращала прогнозы для окончательной структуры последовательностей белков.

Инженерная команда протестировала AlphaFold, включив ее в соревнование, где компьютерные алгоритмы соревнуются в определении структуры белка из последовательности аминокислот. Соревнование было «Критической оценкой прогнозирования структуры белка» или CASP. Участникам соревнования предоставляются 100 последовательностей аминокислот, и их модели должны определить структуру белков. AlphaFold не только превзошла другие компьютерные модели по точности, но и показала результаты, сравнимые с традиционными лабораторными методами. Окончательный медианный балл AlphaFold составил примерно 92 из 100, в то время как лабораторные экспериментальные методы получили балл 90. Медианный балл AlphaFold снизился до 87% на самых сложных белках.

Согласно генеральному директору и сооснователю DeepMind Демису Хассабису, компания уже планирует предоставить исследователям доступ к AlphaFold, и ученые из Института развития биологии Макса Планка уже используют модель для открытия структур белков, над которыми они работали более десяти лет.

Директор Института биоинформатики Европейского молекулярно-биологического лаборатория Джанет Торнтон цитируется в ScienceMag как сказавшая, что достижения DeepMind «изменят будущее структурной биологии и исследования белков». Тем временем биолог Университета Мэриленда Шейди Гров Джон Моулт говорит, что он никогда не думал, что проблема сворачивания белка будет решена в этой жизни.

Хотя AlphaFold вряд ли полностью заменит традиционные экспериментальные методы открытия структур белков, она может значительно увеличить скорость, с которой открываются структуры белков. Исследователям может потребоваться меньше высококачественных экспериментальных данных для определения структуры белка, и исследователям уже есть доступ к большому объему геномных данных, которые можно перевести в структуры с помощью решений AlphaFold.