Штучний інтелект
AlphaProteo: Прорив Google DeepMind у проектуванні білків
У постійно еволюціонуючій галузі молекулярної біології однією з найбільш складних завдань було проектування білків, які можуть ефективно зв’язуватися з конкретними цілями, такими як вірусні білки, маркери раку або компоненти імунної системи. Ці білкові зв’язувачі є важливими інструментами у відкритті ліків, лікуванні захворювань, діагностиці та біотехнології. Традиційні методи створення цих білкових зв’язувачів є трудомісткими, часу витратними та часто вимагають численних раундів оптимізації. Однак останні досягнення в галузі штучного інтелекту (AI) суттєво прискорюють цей процес.
У вересні 2024 року Neuralink успішно імплантував свій мозковий чіп у другого учасника клінічних випробувань, розширюючи межі того, чого можуть досягнути інтерфейси “мозок-комп’ютер”. Цей імплант дозволяє людям керувати пристроями лише думками.
У той же час AlphaProteo від DeepMind вийшов як революційний інструмент AI, який проектує нові білки для вирішення деяких найбільших біологічних проблем. На відміну від попередніх моделей, таких як AlphaFold, які передбачають структуру білків, AlphaProteo виконує більш складне завдання створення нових білкових зв’язувачів, які можуть щільно прикріплюватися до конкретних молекулярних цілей. Ця можливість могла б суттєво прискорити відкриття ліків, діагностичних інструментів та навіть розробку біосенсорів. Наприклад, на ранніх випробуваннях AlphaProteo успішно проектував зв’язувачі для білка шипа SARS-CoV-2 та білків, пов’язаних з раком та запаленням, показуючи афінність зв’язування, яка була в 3-300 разів сильнішою, ніж у існуючих методів.
Що робить це перетин біології та AI ще більш привабливим, так це те, як ці досягнення в нейронних інтерфейсах та проектуванні білків відображають більш широкий зсув у бік біо-цифрової інтеграції.
У 2024 році досягнення в інтеграції AI та біології досягли безпрецедентних рівнів, стимулюючи інновації в галузях, таких як відкриття ліків, персоналізована медицина та синтетична біологія. Ось детальний огляд деяких ключових проривів, які формують ландшафт цього року:
1. AlphaFold3 і RoseTTAFold Diffusion: Наступне покоління проектування білків
Випуск AlphaFold3 від Google DeepMind у 2024 році підняв передбачення структури білків на новий рівень, включивши біомолекулярні комплекси та розширивши свої передбачення для включення малих молекул та лігандів. AlphaFold3 використовує модель AI на основі дифузії для уточнення структури білків, подібно до того, як створюються зображення, згенеровані AI з грубих ескізів. Ця модель особливо точна в передбаченні того, як білки взаємодіють з лігандами, з вражаючою точністю 76% у експериментальних тестах – значно випереджаючи конкурентів.
Паралельно RoseTTAFold Diffusion також ввів нові можливості, включаючи здатність проектувати де-ново білки, які не існують у природі. Хоча обидві системи ще вдосконалюються в точності та застосуванні, їхні досягнення очікується відіграють важливу роль у відкритті ліків та біофармацевтичних дослідженнях, потенційно скорочуючи час, необхідний для розробки нових ліків(
2. Синтетична біологія та редагування генів
Іншою великою областю прогресу в 2024 році стала синтетична біологія, особливо в галузі редагування генів. CRISPR-Cas9 та інші інструменти генної інженерії були вдосконалені для більш точного ремонту ДНК та редагування генів. Компанії, такі як Graphite Bio, використовують ці інструменти для виправлення генетичних мутацій на безпрецедентному рівні точності, відкриваючи двері для потенційно лікувальних методів лікування генетичних захворювань. Цей метод, відомий як орієнтований ремонт гомології, використовує природні механізми ремонту ДНК організму для виправлення дефектних генів.
Крім того, інновації в передбачувальних оцінках неконтрольованого впливу, таких як ті, що розроблені компанією SeQure Dx, покращують безпеку редагування генів, ідентифікуючи ненавмисні редагування та мінімізуючи ризики. Ці досягнення особливо важливі для забезпечення безпеки та ефективності генетерапій до їх застосування у людей(
3. Секвенування окремих клітин та метагеноміка
Технології, такі як секвенування окремих клітин, досягли нових висот у 2024 році, пропонуючи безпрецедентну роздільну здатність на рівні клітин. Це дозволяє дослідникам вивчати гетерогенність клітин, що особливо цінно у дослідженнях раку. Аналізуючи окремі клітини всередині пухлини, дослідники можуть визначити, які клітини стійкі до лікування, керуючи більш ефективними терапевтичними стратегіями.
Тим часом метагеноміка надає глибокі знання про мікробні спільноти, як у контексті здоров’я людини, так і в навколишньому середовищі. Цей метод допомагає аналізувати мікробіом для розуміння того, як мікробні популяції внесок до захворювань, пропонуючи нові шляхи для лікування, які безпосередньо націлені на мікробіом(
Гра у зміни у проектуванні білків
Білки фундаментальні для майже кожного процесу в живих організмах. Ці молекулярні машини виконують широкий спектр функцій, від каталізу метаболічних реакцій до реплікації ДНК. Що робить білки так універсальними, так це їхня здатність складатися у складні тривимірні форми, дозволяючи їм взаємодіяти з іншими молекулами. Білкові зв’язувачі, які щільно прикріплюються до конкретних молекулярних цілей, є важливими для модуляції цих взаємодій та часто використовуються у розробці ліків, імунотерапії та діагностичних інструментах.
Традиційний процес проектування білкових зв’язувачів є повільним і сильно залежить від проб та помилок. Учені часто повинні просіювати великі бібліотеки послідовностей білків, тестуючи кожен кандидат у лабораторії, щоб побачити, які з них працюють найкраще. AlphaProteo змінює цю парадигму, використовуючи потужність глибокого навчання для передбачення тих послідовностей білків, які ефективно зв’язуватимуться з цільовою молекулою, суттєво скорочуючи час та витрати, пов’язані з традиційними методами.
Як працює AlphaProteo
AlphaProteo заснований на тих самих принципах глибокого навчання, які зробили його попередника, AlphaFold, революційним інструментом для передбачення структури білків. Однак, тоді як AlphaFold зосереджується на передбаченні структури існуючих білків, AlphaProteo йде далі, проектуючи зовсім нові білки.
Як працює AlphaProteo: Глибокий аналіз AI-проектування білків
AlphaProteo представляє собою стрибок вперед у AI-проектуванні білків, побудований на техніках глибокого навчання, які підтримували його попередника, AlphaFold.
Хоча AlphaFold революціонізував галузь, передбачаючи структуру білків з безпрецедентною точністю, AlphaProteo йде далі, створюючи зовсім нові білки, призначені для вирішення конкретних біологічних проблем.
Архітектура AlphaProteo складається з складної комбінації генеративної моделі, навченої на великих наборах даних структур білків, включаючи ті, що походять з Protein Data Bank (PDB), та мільйонів передбачених структур, згенерованих AlphaFold. Це дозволяє AlphaProteo не тільки передбачати, як білки складаються, але й проектувати нові білки, які можуть взаємодіяти з конкретними молекулярними цілями на детальному, молекулярному рівні.
- Генератор: Модель машинного навчання AlphaProteo генерує численні потенційні білкові зв’язувачі, використовуючи великі набори даних, такі як ті, що походять з Protein Data Bank, та передбачення AlphaFold.
- Фільтр: Критичний компонент, який оцінює ці згенеровані зв’язувачі на основі їхньої ймовірності успішного зв’язування з цільовим білком, ефективно скорочуючи кількість проектів, які потрібно тестувати в лабораторії.
- Експеримент: Цей крок включає тестування відфільтрованих проектів у лабораторії для підтвердження того, які зв’язувачі ефективно взаємодіють з цільовим білком.
AlphaProteo проектує зв’язувачі, які конкретно націлені на ключові гарячі точки (у жовтому кольорі) на поверхні білка. Синя секція представляє проектований зв’язувач, який моделюється для взаємодії точно з виділеними гарячіми точками на цільовому білкові.
Для частини C зображення показані тривимірні моделі цільових білків, використаних у експериментах AlphaProteo. До них належать терапевтично значимі білки, залучені до різних біологічних процесів, таких як імунна відповідь, вірусні інфекції та прогресія раку.
Розширені можливості AlphaProteo
- Висока афінність зв’язування: AlphaProteo виділяється проектуванням білкових зв’язувачів з високою афінністю до своїх цілей, перевершуючи традиційні методи, які часто вимагають численних раундів лабораторної оптимізації. Він генерує білкові зв’язувачі, які щільно прикріплюються до своїх призначених цілей, суттєво покращуючи їхню ефективність у застосуваннях, таких як розробка ліків та діагностика. Наприклад, його зв’язувачі для VEGF-A, білка, пов’язаного з раком, показали афінність зв’язування до 300 разів сильнішою, ніж у існуючих методах.
- Націлювання на різноманітні білки: AlphaProteo може проектувати зв’язувачі для широкого спектра білків, залучених до критичних біологічних процесів, включаючи ті, пов’язані з вірусними інфекціями, раком, запаленням та аутоімунними захворюваннями. Він був особливо успішним у проектуванні зв’язувачів для цілей, таких як білок шипа SARS-CoV-2, необхідний для інфекції COVID-19, та білок, пов’язаний з раком, VEGF-A, який є важливим у терапіях для діабетичної ретинопатії.
- Експериментальний успіх: Одна з найбільш вражаючих особливостей AlphaProteo – його висока експериментальна успішність. У лабораторних тестах проектовані ним зв’язувачі демонстрували високу успішність у зв’язуванні з цільовими білками, скорочуючи кількість експериментальних раундів, зазвичай необхідних. У тестах на вірусний білок BHRF1 проектування AlphaProteo мали успішність 88%, що є суттєвим покращенням порівняно з попередніми методами.
- Оптимізація без проектування: На відміну від традиційних підходів, які часто вимагають кількох раундів оптимізації для покращення афінності зв’язування, AlphaProteo здатний генерувати зв’язувачі з сильними властивостями зв’язування з самого початку. Для деяких складних цілей, таких як білок, пов’язаний з раком, TrkA, AlphaProteo виробив зв’язувачі, які перевершували ті, що були розроблені через тривалу експериментальну оптимізацію.
Експериментальна успішність (лівий графік) – Найкраща афінність зв’язування (правий граф)
- AlphaProteo перевершив традиційні методи для більшості цілей, особливо досягнувши успішності 88% з BHRF1 порівняно з менш ніж 40% у попередніх методах.
- Успіх AlphaProteo з цільовими білками VEGF-A та IL-7RA був суттєво вищим, демонструючи його здатність вирішувати складні завдання в терапії раку.
- AlphaProteo також постійно генерує зв’язувачі з значно вищою афінністю зв’язування, особливо для складних білків, таких як VEGF-A, роблячи його цінним інструментом у розробці ліків та лікуванні захворювань.
Як AlphaProteo просунув застосування в біології та охороні здоров’я
Новий підхід AlphaProteo до проектування білків відкриває широкий спектр застосувань, роблячи його потужним інструментом у кількох галузях біології та охорони здоров’я.
1. Розробка ліків
Сучасне відкриття ліків часто залежить від малих молекул або біологічних речовин, які зв’язуються з білками, пов’язаними з захворюваннями. Однак розробка цих молекул часто є часу витратною та дорогою. AlphaProteo прискорює цей процес, генеруючи білкові зв’язувачі з високою афінністю, які можуть служити основою для нових ліків. Наприклад, AlphaProteo був використаний для проектування зв’язувачів для PD-L1, білка, пов’язаного з імунною системою, який відіграє ключову роль у терапіях проти раку. Інгібуючи PD-L1, зв’язувачі AlphaProteo могли б допомогти імунній системі краще ідентифікувати та знищувати ракові клітини.
2. Діагностичні інструменти
У діагностиці білкові зв’язувачі, проектовані AlphaProteo, можуть бути використані для створення високочутливих біосенсорів, здатних виявляти білки, пов’язані з захворюваннями. Це може забезпечити більш точну та швидку діагностику захворювань, таких як вірусні інфекції, рак та аутоімунні захворювання. Наприклад, здатність AlphaProteo проектувати зв’язувачі для SARS-CoV-2 могла б привести до швидших та більш точних діагностичних інструментів для COVID-19.
3. Імунотерапія
Здатність AlphaProteo проектувати білкові зв’язувачі з високою специфічністю особливо цінна в галузі імунотерапії. Імунотерапії використовують імунну систему організму для боротьби з захворюваннями, включаючи рак. Одним з викликів у цій галузі є розробка білків, які можуть зв’язуватися з імунними клітинами та модулювати імунну відповідь ефективно. З точністю AlphaProteo у націлюванні на конкретні білки на імунних клітинах, він міг би покращити розробку нових, більш ефективних імунотерапій.
4. Біотехнологія та біосенсори
Білкові зв’язувачі, проектовані AlphaProteo, також цінні у біотехнології, особливо у створенні біосенсорів – пристроїв, використовуваних для виявлення конкретних молекул у різних середовищах. Біосенсори мають застосування від моніторингу навколишнього середовища до безпеки харчових продуктів. Зв’язувачі AlphaProteo могли б покращити чутливість та специфічність цих пристроїв, роблячи їх більш надійними у виявленні шкідливих речовин.
Обмеження та майбутні напрямки
Як і будь-яка нова технологія, AlphaProteo не позбавлений обмежень. Наприклад, система мала труднощі у проектуванні ефективних зв’язувачів для білка TNFα, складної цілі, пов’язаної з аутоімунними захворюваннями, такими як ревматоїдний артрит. Це підкреслює, що хоча AlphaProteo дуже ефективний для багатьох цілей, він ще має місце для покращення.
DeepMind активно працює над розширенням можливостей AlphaProteo, особливо у зверненні до складних цілей, таких як TNFα. Команда також досліджує нові застосування для технології, включаючи використання AlphaProteo для проектування білків для покращення культур та охорони навколишнього середовища.
Висновок
Прискорюючи інновації в біології та медицині, AlphaProteo суттєво скорочує час та витрати, пов’язані з традиційними методами проектування білків. Його успіх у створенні білкових зв’язувачів для складних цілей, таких як білок шипа SARS-CoV-2 та VEGF-A, демонструє його потенціал для вирішення деяких найбільш нагальних проблем охорони здоров’я нашого часу.
Як AlphaProteo продовжує розвиватися, його вплив на науку та суспільство тільки зростатиме, пропонуючи нові інструменти для розуміння життя на молекулярному рівні та розблокування нових можливостей для лікування захворювань.
