AlphaProteo: Phát kiến đột phá của Google DeepMind trong thiết kế protein

Trong lĩnh vực sinh học phân tử đang不断 phát triển, một trong những nhiệm vụ đầy thách thức nhất là thiết kế các protein có thể gắn kết hiệu quả với các mục tiêu cụ thể, chẳng hạn như protein của virus, dấu ấn ung thư hoặc thành phần của hệ miễn dịch. Những protein gắn kết này là các công cụ quan trọng trong việc phát hiện thuốc, điều trị bệnh, chẩn đoán và công nghệ sinh học. Các phương pháp truyền thống để tạo ra những protein gắn kết này là tốn thời gian,耗 thời gian và thường đòi hỏi nhiều vòng tối ưu hóa. Tuy nhiên, những tiến bộ gần đây trong trí tuệ nhân tạo (AI) đang đẩy nhanh quá trình này một cách đáng kể.

Vào tháng 9 năm 2024, Neuralink đã thành công trong việc cấy ghép con chip não của mình vào người tham gia thứ hai trong khuôn khổ các thử nghiệm lâm sàng, đẩy ranh giới của những gì giao diện não-máy tính có thể đạt được. Cấy ghép này cho phép các cá nhân kiểm soát thiết bị chỉ bằng suy nghĩ của mình.

Đồng thời, AlphaProteo của DeepMind đã xuất hiện như một công cụ AI đột phá, thiết kế các protein mới để giải quyết một số thách thức lớn nhất của sinh học. Không giống như các mô hình trước đó như AlphaFold, dự đoán cấu trúc protein, AlphaProteo thực hiện nhiệm vụ tiên tiến hơn là tạo ra các protein gắn kết mới có thể gắn kết chặt vào các mục tiêu phân tử cụ thể. Khả năng này có thể đẩy nhanh đáng kể việc phát hiện thuốc, công cụ chẩn đoán và thậm chí là sự phát triển của các cảm biến sinh học. Ví dụ, trong các thử nghiệm sơ bộ, AlphaProteo đã thành công trong việc thiết kế các gắn kết cho protein gai SARS-CoV-2 và các protein liên quan đến ung thư và viêm, cho thấy sự gắn kết mạnh hơn 3 đến 300 lần so với các phương pháp hiện có.

Cái gì làm cho sự giao thoa giữa sinh học và AI thậm chí còn hấp dẫn hơn là cách những tiến bộ này trong giao diện thần kinh và thiết kế protein phản ánh một sự chuyển đổi rộng lớn hơn hướng tới tích hợp sinh học-kỹ thuật số.

Vào năm 2024, những tiến bộ trong việc tích hợp AI và sinh học đã đạt đến mức độ chưa từng có, thúc đẩy sự đổi mới trên các lĩnh vực như phát hiện thuốc, y học cá nhân hóa, và sinh học tổng hợp. Dưới đây là một cái nhìn chi tiết về một số đột phá chính định hình phong cảnh này năm:

1. AlphaFold3 và RoseTTAFold Diffusion: Thiết kế protein thế hệ tiếp theo

Việc phát hành AlphaFold3 của Google DeepMind vào năm 2024 đã đưa dự đoán cấu trúc protein lên một tầm cao mới bằng cách kết hợp các phức hợp sinh học và mở rộng dự đoán của nó để bao gồm các phân tử nhỏ và ligand. AlphaFold3 sử dụng một mô hình AI dựa trên sự khuếch tán để tinh chỉnh cấu trúc protein, tương tự như cách hình ảnh AI được tạo ra từ các bản phác thảo thô. Mô hình này đặc biệt chính xác trong việc dự đoán cách các protein tương tác với ligand, với tỷ lệ chính xác ấn tượng là 76% trong các thử nghiệm thực nghiệm – vượt xa so với các đối thủ cạnh tranh.

Đồng thời, RoseTTAFold Diffusion cũng đã giới thiệu các khả năng mới, bao gồm khả năng thiết kế protein de novo không tồn tại trong tự nhiên. Mặc dù cả hai hệ thống vẫn đang cải thiện về độ chính xác và ứng dụng, những tiến bộ của chúng dự kiến sẽ đóng vai trò quan trọng trong việc phát hiện thuốc và nghiên cứu sinh học dược phẩm, có thể cắt giảm thời gian cần thiết để thiết kế các loại thuốc mới​(

2. Sinh học tổng hợp và chỉnh sửa gene

Một lĩnh vực tiến bộ chính khác vào năm 2024 là sinh học tổng hợp, đặc biệt là trong lĩnh vực chỉnh sửa gene. CRISPR-Cas9 và các công cụ kỹ thuật gene khác đã được tinh chỉnh cho sửa chữa DNA chính xác và chỉnh sửa gene. Các công ty như Graphite Bio (GRPH ) đang sử dụng những công cụ này để sửa lỗi đột biến gene ở mức độ chính xác chưa từng có, mở ra cánh cửa cho các phương pháp điều trị có khả năng chữa khỏi các bệnh di truyền. Phương pháp này, được gọi là sửa chữa định hướng đồng nguồn, tận dụng các cơ chế sửa chữa DNA tự nhiên của cơ thể để sửa lỗi gene không chính xác.

Ngoài ra, những đổi mới trong đánh giá mục tiêu ngoài dự kiến, như những đổi mới được phát triển bởi SeQure Dx, đang cải thiện sự an toàn của chỉnh sửa gene bằng cách xác định các chỉnh sửa không mong muốn và giảm thiểu rủi ro. Những tiến bộ này đặc biệt quan trọng để đảm bảo rằng các liệu pháp gene là an toàn và hiệu quả trước khi chúng được áp dụng cho bệnh nhân người​(

3. Chuỗi đơn tế bào và metagenomics

Các công nghệ như chuỗi đơn tế bào đã đạt đến tầm cao mới vào năm 2024, cung cấp độ phân giải chưa từng có ở cấp độ tế bào. Điều này cho phép các nhà nghiên cứu nghiên cứu đa dạng tế bào, đặc biệt có giá trị trong nghiên cứu ung thư. Bằng cách phân tích từng tế bào trong một khối u, các nhà nghiên cứu có thể xác định những tế bào nào kháng với điều trị, hướng dẫn các chiến lược điều trị hiệu quả hơn.

Trong khi đó, metagenomics đang cung cấp những hiểu biết sâu sắc về các cộng đồng vi sinh, cả trong môi trường sức khỏe con người và môi trường. Kỹ thuật này giúp phân tích vi sinh vật để hiểu cách các quần thể vi sinh đóng góp vào các bệnh, mở ra những con đường mới cho các phương pháp điều trị nhắm vào vi sinh vật trực tiếp​(

Một bước ngoặt trong thiết kế protein

Protein là cơ bản đối với hầu như mọi quá trình trong các sinh vật sống. Những máy phân tử này thực hiện một loạt các chức năng, từ xúc tác các phản ứng chuyển hóa đến sao chép DNA. Điều làm cho protein trở nên đa năng là khả năng của chúng để gấp thành các hình dạng không gian ba chiều phức tạp, cho phép chúng tương tác với các phân tử khác. Các protein gắn kết, gắn chặt vào các phân tử mục tiêu cụ thể, là thiết yếu trong việc điều chỉnh những tương tác này và thường được sử dụng trong phát triển thuốc, liệu pháp miễn dịch và công cụ chẩn đoán.

Quá trình thông thường để thiết kế các protein gắn kết là chậm và phụ thuộc nặng vào thử và sai. Các nhà khoa học thường phải sàng lọc qua các thư viện lớn các trình tự protein, thử nghiệm từng ứng cử viên trong phòng thí nghiệm để xem những ứng cử viên nào hoạt động tốt nhất. AlphaProteo thay đổi mô hình này bằng cách khai thác sức mạnh của học sâu để dự đoán哪 các trình tự protein sẽ gắn kết hiệu quả với một phân tử mục tiêu, giảm đáng kể thời gian và chi phí liên quan đến các phương pháp truyền thống.

AlphaProteo hoạt động như thế nào

AlphaProteo dựa trên cùng các nguyên tắc học sâu mà đã làm cho tiền thân của nó, AlphaFold, trở thành một công cụ đột phá trong dự đoán cấu trúc protein. Tuy nhiên, trong khi AlphaFold tập trung vào dự đoán cấu trúc của các protein hiện có, AlphaProteo đi một bước xa hơn bằng cách thiết kế hoàn toàn các protein mới.

AlphaProteo hoạt động: Một cái nhìn sâu về thiết kế protein AI

AlphaProteo đại diện cho một bước nhảy vĩ đại trong thiết kế protein AI, xây dựng trên các kỹ thuật học sâu đã thúc đẩy tiền thân của nó, AlphaFold.

Khi AlphaFold cách mạng hóa lĩnh vực bằng cách dự đoán cấu trúc protein với độ chính xác chưa từng có, AlphaProteo đi xa hơn, tạo ra hoàn toàn các protein mới được thiết kế để giải quyết các thách thức sinh học cụ thể.

Cấu trúc cơ bản của AlphaProteo là một sự kết hợp tinh vi của một mô hình tạo sinh được đào tạo trên các tập dữ liệu lớn về cấu trúc protein, bao gồm cả những cấu trúc từ Cơ sở dữ liệu Protein (PDB) và hàng triệu cấu trúc dự đoán được tạo ra bởi AlphaFold. Điều này cho phép AlphaProteo không chỉ dự đoán cách các protein gấp mà còn thiết kế các protein mới có thể tương tác với các mục tiêu phân tử cụ thể ở mức độ phân tử chi tiết.

Sơ đồ này展示 AlphaProteo’s quy trình làm việc, nơi các protein gắn kết được thiết kế, lọc và xác nhận thực nghiệm

• Generator: Mô hình học máy của AlphaProteo tạo ra nhiều protein gắn kết tiềm năng, tận dụng các tập dữ liệu lớn như những dữ liệu từ Cơ sở dữ liệu Protein (PDB) và dự đoán của AlphaFold.
• Filter: Một thành phần quan trọng đánh giá những gắn kết được tạo ra dựa trên khả năng gắn kết thành công với protein mục tiêu, hiệu quả giảm số lượng thiết kế cần được thử nghiệm trong phòng thí nghiệm.
• Experiment: Bước này liên quan đến việc thử nghiệm các thiết kế đã lọc trong phòng thí nghiệm để xác nhận những gắn kết nào thực sự tương tác với protein mục tiêu.

AlphaProteo thiết kế các gắn kết nhắm vào các residue hotspot cụ thể (màu vàng) trên bề mặt của một protein. Phần màu xanh lam đại diện cho gắn kết được thiết kế, được mô hình hóa để tương tác chính xác với các điểm nóng được làm nổi bật trên protein mục tiêu.

Đối với phần C của hình ảnh; nó hiển thị các mô hình 3D của protein mục tiêu được sử dụng trong các thí nghiệm của AlphaProteo. Những protein này bao gồm các protein liên quan đến các quá trình sinh học khác nhau như phản ứng miễn dịch, nhiễm virus và tiến triển ung thư.

Khả năng tiên tiến của AlphaProteo

1. Ái lực gắn kết cao: AlphaProteo vượt trội trong việc thiết kế các protein gắn kết với ái lực cao cho các mục tiêu của chúng, vượt qua các phương pháp truyền thống thường đòi hỏi nhiều vòng tối ưu hóa trong phòng thí nghiệm. Nó tạo ra các protein gắn kết gắn chặt vào các mục tiêu dự định của chúng, đáng kể cải thiện hiệu quả của chúng trong các ứng dụng như phát triển thuốc và chẩn đoán. Ví dụ, các gắn kết của nó cho VEGF-A, một protein liên quan đến ung thư, đã cho thấy ái lực gắn kết lên đến 300 lần mạnh hơn so với các phương pháp hiện có​.
2. Nhắm vào các protein đa dạng: AlphaProteo có thể thiết kế gắn kết cho một loạt các protein tham gia vào các quá trình sinh học quan trọng, bao gồm cả những protein liên quan đến nhiễm virus, ung thư, viêm và bệnh tự miễn. Nó đã đặc biệt thành công trong việc thiết kế gắn kết cho các mục tiêu như protein gai SARS-CoV-2, thiết yếu cho nhiễm COVID-19, và protein VEGF-A liên quan đến ung thư, quan trọng trong liệu pháp cho bệnh võng mạc tiểu đường​.
3. Tỷ lệ thành công trong thí nghiệm: Một trong những tính năng ấn tượng nhất của AlphaProteo là tỷ lệ thành công trong thí nghiệm cao. Trong các thử nghiệm phòng thí nghiệm, các gắn kết được thiết kế bởi hệ thống đã chứng minh sự thành công cao trong việc gắn kết với protein mục tiêu, giảm số lượng vòng thí nghiệm thường được yêu cầu. Trong các thử nghiệm trên protein BHRF1, các thiết kế của AlphaProteo đã có 88% tỷ lệ thành công, một sự cải thiện đáng kể so với các phương pháp trước đó​.
4. Thiết kế tối ưu hóa miễn phí: Không giống như các phương pháp truyền thống, thường đòi hỏi nhiều vòng tối ưu hóa để cải thiện ái lực gắn kết, AlphaProteo có khả năng tạo ra các gắn kết với các tính chất gắn kết mạnh từ đầu. Đối với một số mục tiêu khó khăn, như protein TrkA liên quan đến ung thư, AlphaProteo đã tạo ra các gắn kết vượt trội so với những gắn kết được phát triển thông qua tối ưu hóa thực nghiệm rộng rãi​.

Tỷ lệ thành công trong thí nghiệm (Đồ thị bên trái) – Ái lực gắn kết tốt nhất (Đồ thị bên phải)

• AlphaProteo đã vượt trội so với các phương pháp truyền thống trên hầu hết các mục tiêu, đặc biệt là đạt được 88% tỷ lệ thành công với BHRF1, so với chỉ dưới 40% với các phương pháp trước đó.
• Thành công của AlphaProteo với VEGF-A và IL-7RA mục tiêu đã cao hơn đáng kể,展示 khả năng của nó trong việc giải quyết các mục tiêu khó khăn trong liệu pháp ung thư.
• AlphaProteo cũng nhất quán tạo ra các gắn kết với ái lực gắn kết cao hơn, đặc biệt là đối với các protein khó khăn như VEGF-A, làm cho nó trở thành một công cụ quý giá trong phát triển thuốc và điều trị bệnh.

AlphaProteo thúc đẩy các ứng dụng trong sinh học và chăm sóc sức khỏe

Cách tiếp cận mới của AlphaProteo trong thiết kế protein mở ra một loạt các ứng dụng, làm cho nó trở thành một công cụ mạnh mẽ trong nhiều lĩnh vực của sinh học và chăm sóc sức khỏe.

1. Phát triển thuốc

Khám phá thuốc hiện đại thường dựa trên các phân tử nhỏ hoặc sinh học gắn kết với các protein liên quan đến bệnh. Tuy nhiên, việc phát triển những phân tử này thường tốn thời gian và tốn kém. AlphaProteo đẩy nhanh quá trình này bằng cách tạo ra các protein gắn kết với ái lực cao có thể phục vụ làm nền tảng cho các loại thuốc mới. Ví dụ, AlphaProteo đã được sử dụng để thiết kế gắn kết cho PD-L1, một protein tham gia vào điều tiết hệ miễn dịch, đóng vai trò quan trọng trong liệu pháp miễn dịch ung thư​. Bằng cách ức chế PD-L1, các gắn kết của AlphaProteo có thể giúp hệ miễn dịch tốt hơn nhận diện và loại bỏ các tế bào ung thư.

2. Công cụ chẩn đoán

Trong chẩn đoán, các protein gắn kết được thiết kế bởi AlphaProteo có thể được sử dụng để tạo ra các cảm biến sinh học cực kỳ nhạy cảm, có khả năng phát hiện các protein đặc hiệu của bệnh. Điều này có thể cho phép chẩn đoán chính xác và nhanh hơn cho các bệnh như nhiễm virus, ung thư và bệnh tự miễn. Ví dụ, khả năng của AlphaProteo trong việc thiết kế gắn kết cho SARS-CoV-2 có thể dẫn đến các công cụ chẩn đoán COVID-19 nhanh hơn và chính xác hơn​.

3. Liệu pháp miễn dịch

Khả năng của AlphaProteo trong việc thiết kế các protein gắn kết cụ thể cao là đặc biệt quý giá trong lĩnh vực liệu pháp miễn dịch. Liệu pháp miễn dịch tận dụng hệ miễn dịch của cơ thể để chống lại bệnh, bao gồm cả ung thư. Một trong những thách thức trong lĩnh vực này là phát triển các protein có thể gắn kết và điều chỉnh phản ứng miễn dịch một cách hiệu quả. Với sự chính xác của AlphaProteo trong việc nhắm vào các protein cụ thể trên các tế bào miễn dịch, nó có thể nâng cao sự phát triển của các liệu pháp miễn dịch mới và hiệu quả hơn​.

4. Công nghệ sinh học và cảm biến sinh học

Các protein gắn kết được thiết kế bởi AlphaProteo cũng có giá trị trong công nghệ sinh học, đặc biệt là trong việc tạo ra cảm biến sinh học – các thiết bị được sử dụng để phát hiện các phân tử cụ thể trong các môi trường khác nhau. Cảm biến sinh học có ứng dụng từ giám sát môi trường đến an toàn thực phẩm. Các gắn kết của AlphaProteo có thể cải thiện độ nhạy và độ đặc异 của các thiết bị này, làm cho chúng trở nên đáng tin cậy hơn trong việc phát hiện các chất có hại​.

Giới hạn và hướng phát triển tương lai

Như với bất kỳ công nghệ mới nào, AlphaProteo không phải là không có giới hạn. Ví dụ, hệ thống đã gặp khó khăn trong việc thiết kế các gắn kết hiệu quả cho protein TNF𝛼, một mục tiêu khó khăn liên quan đến các bệnh tự miễn như viêm khớp dạng thấp. Điều này cho thấy rằng mặc dù AlphaProteo rất hiệu quả cho nhiều mục tiêu, nó vẫn còn room để cải thiện.

DeepMind đang tích cực làm việc để mở rộng khả năng của AlphaProteo, đặc biệt là trong việc giải quyết các mục tiêu khó khăn như TNF𝛼. Đội ngũ cũng đang khám phá các ứng dụng mới cho công nghệ này, bao gồm việc sử dụng AlphaProteo để thiết kế protein cho cải thiện cây trồng và bền vững môi trường.

Kết luận

Bằng cách giảm đáng kể thời gian và chi phí liên quan đến các phương pháp thiết kế protein truyền thống, AlphaProteo đẩy nhanh sự đổi mới trong sinh học và y học. Thành công của nó trong việc tạo ra các protein gắn kết cho các mục tiêu khó khăn như protein gai SARS-CoV-2 và VEGF-A chứng tỏ tiềm năng của nó trong việc giải quyết một số thách thức sức khỏe lớn nhất của thời đại chúng ta.

Khi AlphaProteo tiếp tục phát triển, tác động của nó đối với khoa học và xã hội sẽ chỉ tăng lên, cung cấp các công cụ mới để hiểu cuộc sống ở mức độ phân tử và mở ra những khả năng mới để điều trị bệnh.