Системи штучного інтелекту створюють плани штучних білків

Команда дослідників з Пritzker школи молекулярної інженерії (PME) Чиказького університету最近 успішно створила систему штучного інтелекту, яка може створювати повністю нові штучні білки шляхом аналізу великих даних.

Білки – це макромолекули, які є необхідними для побудови тканин у живих організмах та критично важливі для життя клітин загалом. Білки використовуються клітинами як хімічні каталізатори для здійснення різних хімічних реакцій та виконання складних завдань. Якщо вчені зможуть розібратися, як надійно проектувати штучні білки, це може відкрити двері до нових методів захоплення вуглецю, нових методів виробництва енергії та нових методів лікування захворювань. Штучні білки мають силу суттєво змінити світ, в якому ми живемо. Як повідомляє EurekaAlert, недавній прорив дослідників з PME Чиказького університету привів вчених ближче до цих цілей. Дослідники з PME використали алгоритми машинного навчання для розробки системи, здатної генерувати нові форми білків.

Дослідницька команда створила моделі машинного навчання, навчені на даних з різних геномних баз даних. Коли моделі навчалися, вони починали розрізняти загальні підкладові закономірності, прості правила проектування, які дозволяють створювати штучні білки. Після того, як вони синтезували відповідні білки в лабораторії, дослідники виявили, що штучні білки створювали хімічні реакції, які були приблизно такими ж ефективними, як і ті, які відбуваються під впливом природних білків.

За словами Джозефа Регенштейна, професора PME Чиказького університету, Рами Ранганатана, дослідницька команда виявила, що геномні дані містять величезну кількість інформації про базові функції та структури білків. Використовуючи машинне навчання для розпізнавання цих загальних структур, дослідники були “здатні зберегти природні правила для створення білків самі”.

Дослідники зосередилися на метаболічних ферментах у цьому дослідженні, зокрема на сім’ї білків під назвою хорізматмутаза. Ця сім’я білків необхідна для життя у широкому спектрі рослин, грибів та бактерій.

Ранганатан та його колеги зрозуміли, що геномні бази даних містять знання, які просто чекають на відкриття вченими, але традиційні методи визначення правил щодо структури та функції білків мали лише обмежений успіх. Команда вирішила розробити моделі машинного навчання, здатні розкрити ці правила проектування. Виявлення моделі свідчить про те, що нові штучні послідовності можна створити, зберігаючи позиції амінокислот та кореляції в еволюції пар амінокислот.

Команда дослідників створила синтетичні гени, які кодували послідовності амінокислот, що призводили до створення цих білків. Вони клонували бактерії з цими синтетичними генами та виявили, що бактерії використовували синтетичні білки в своїй клітинній машинерії, функціонуючи майже точно так само, як і звичайні білки.

За словами Ранганатана, прості правила, які їхня система штучного інтелекту визначила, можна використовувати для створення штучних білків неймовірної складності та різноманітності. Як пояснив Ранганатан EurekaAlert:

“Обмеження значно менші, ніж ми коли-небудь уявляли. У природному проектуванні є простота, і ми вважаємо, що подібні підходи можуть допомогти нам шукати моделі проектування в інших складних біологічних системах, таких як екосистеми чи мозок”.

Ранганатан та його колеги хочуть узагальнити свої моделі та створити платформу, яку вчені можуть використовувати для кращого розуміння того, як побудовані білки та які ефекти вони мають. Вони сподіваються використовувати свої системи штучного інтелекту для того, щоб дозволити іншим вченим відкрити білки, які можуть вирішувати важливі питання, такі як зміна клімату. Ранганатан та професор Ендрю Фергюсон створили компанію під назвою Evozyne, яка має на меті комерціалізацію технології та її застосування в галузях, таких як сільське господарство, енергетика та довкілля.

Розуміння спільних ознак між білками та відносин між структурою та функцією також може допомогти у створенні нових ліків та форм терапії. Хоча складання білків давно вважається надзвичайно складною проблемою для комп’ютерів, висновки з моделей, таких як ті, які створила команда Ранганатана, можуть допомогти збільшити швидкість цих обчислень, що полегшить створення нових ліків на основі цих білків. Ліки можуть бути розроблені для блокування створення білків у вірусах, що потенційно може допомогти у лікуванні навіть нових вірусів, таких як коронавірус Covid-19.

Ранганатан та решта дослідницької команди все ще потрібно зрозуміти, як і чому їхні моделі працюють, а також як вони створюють надійні плани білків. Наступною метою команди є краще розуміння того, які атрибути моделі враховують для прийняття своїх висновків.