DeepMind Sẵn Sàng Transform Khoa Học Sinh Học Bằng Cách Giải Quyết Vấn Đề Folding Protein

Phân khúc trí tuệ nhân tạo của Google (GOOGL ), DeepMind, gần đây đã đạt được tiến bộ đáng kể trong việc giải quyết một trong những thách thức lâu đời nhất trong sinh học, tính toán hình dạng của một protein từ một chuỗi axit amin. Theo Nature, bước đột phá này có khả năng biến đổi các lĩnh vực sinh học và hóa học, cho phép các nhà khoa học xác định chức năng của nhiều protein hiện còn bí ẩn.

Hình dạng của một protein định nghĩa chức năng của nó, và hầu hết các chức năng sinh học phụ thuộc vào protein. “Folding protein” là tên gọi của quá trình chuyển đổi chuỗi axit amin thành cấu trúc ba chiều mà protein cần để thực hiện các chức năng của nó. Nếu các nhà khoa học có thể xác định mối quan hệ giữa chuỗi axit amin và hình dạng của protein mà chúng tạo ra, họ có thể xác định哪些 protein ảnh hưởng đến các quá trình sinh học khác nhau.

Các nhà khoa học假设 có ít nhất 80.000 protein trong proteome của con người, nhưng chỉ một phần nhỏ trong số này có cấu trúc đã biết. Phương pháp truyền thống để xác định hình dạng của một protein có thể mất nhiều năm thí nghiệm phòng thí nghiệm, thậm chí khi sử dụng các thuật toán và mô hình của khoa học máy tính. Công việc được thực hiện bởi DeepMind có thể tăng tốc đáng kể quá trình khám phá cấu trúc protein, xác định đáng tin cậy cấu trúc của protein trong một phần nhỏ thời gian bình thường.

Các nhà nghiên cứu tại DeepMind đã đào tạo các thuật toán của họ trên cơ sở dữ liệu gồm khoảng 170.000 chuỗi protein và hình dạng tương ứng với các chuỗi đó. Các thuật toán được phát triển bởi các nhà nghiên cứu đã được đào tạo trên khoảng 100 đến 200 GPU, và quá trình đào tạo mất vài tuần để hoàn thành. Mô hình được phát triển bởi các nhà nghiên cứu được gọi là “AlphaFold”.

AlphaFold hoạt động thông qua một “thuật toán căng thẳng”, bắt đầu bằng cách kết nối các mảnh nhỏ của protein lại với nhau và sau đó mở rộng để kết nối các phần lớn hơn và lớn hơn. Các cụm axit amin nhỏ được liên kết lại với nhau lúc đầu, và sau đó thuật toán tìm cách liên kết các cụm này.

Đội ngũ nghiên cứu AlphaFold ban đầu đã thử sử dụng các thuật toán học sâu thông thường trên dữ liệu di truyền và cấu trúc để dự đoán mối quan hệ giữa axit amin và protein. AlphaFold sau đó tạo ra các mô hình đồng thuận cho phong cách của protein. Khi kỹ thuật này chứng minh có quá nhiều hạn chế, các nhà nghiên cứu đã thử một chiến lược mới. Đội ngũ nghiên cứu AlphaFold đã tạo ra các mô hình được đào tạo trên nhiều tính năng hơn, và lần này họ đã yêu cầu mô hình trả về dự đoán về cấu trúc cuối cùng của các chuỗi protein.

Đội ngũ kỹ sư đã kiểm tra AlphaFold bằng cách tham gia một cuộc thi nơi các thuật toán máy tính cạnh tranh để đánh giá cấu trúc của một protein từ chuỗi axit amin. Cuộc thi này là “Đánh giá quan trọng về dự đoán cấu trúc protein” hoặc CASP. Các tham gia cuộc thi được cung cấp 100 chuỗi axit amin và mô hình của họ phải tính toán cấu trúc của protein. Không chỉ AlphaFold đánh bại các mô hình máy tính khác về độ chính xác, mà nó cũng hoạt động tương đương với các phương pháp mô hình hóa truyền thống dựa trên phòng thí nghiệm. Điểm trung vị cuối cùng của AlphaFold là khoảng 92 trên 100, với các phương pháp thực nghiệm dựa trên phòng thí nghiệm được chỉ định điểm 90. Điểm trung vị của AlphaFold giảm xuống 87% trên các protein khó nhất.

Theo Giám đốc điều hành và đồng sáng lập DeepMind Demis Hassabis, công ty đang lên kế hoạch cho phép các nhà nghiên cứu truy cập vào AlphaFold, với các nhà khoa học từ Viện Phát triển Sinh học Max Planck đã sử dụng mô hình này để khám phá các cấu trúc protein mà họ đã làm việc trong hơn một thập kỷ.

Janet Thornton, giám đốc danh dự của Viện Tin sinh học châu Âu, được trích dẫn qua ScienceMag nói rằng thành tựu của DeepMind “sẽ thay đổi tương lai của sinh học cấu trúc và nghiên cứu protein”. Trong khi đó, nhà sinh học tại Đại học Maryland, Shady Grove, John Moult nói rằng ông không bao giờ nghĩ rằng vấn đề gấp protein sẽ không được giải quyết trong suốt cuộc đời này.

Mặc dù AlphaFold không thể thay thế hoàn toàn các phương pháp thực nghiệm truyền thống để khám phá cấu trúc protein, nó có thể tăng tốc đáng kể tốc độ khám phá cấu trúc protein. Các nhà nghiên cứu có thể yêu cầu ít dữ liệu thực nghiệm chất lượng cao hơn để xác định cấu trúc protein, và các nhà nghiên cứu đã có quyền truy cập vào một lượng lớn dữ liệu gen mà có thể được dịch thành cấu trúc sử dụng các giải pháp của AlphaFold.