Šta ako bismo mogli koristiti umjetnu inteligenciju da odgovorimo na jednu od najvećih životnih misterija – savijanje proteina? Naučnici su radili na tome decenijama.
Mašine sada mogu predvideti proteinske strukture sa neverovatnom preciznošću koristeći modele dubokog učenja, menjajući razvoj lekova, biotehnologiju i naše znanje o fundamentalnim biološkim procesima.
Pridružite mi se u istraživanju intrigantnog carstva savijanja AI proteina, gdje se vrhunska tehnologija sudara sa složenošću samog života.
Razotkrivanje misterije savijanja proteina
Proteini rade u našim tijelima poput malih mašina za obavljanje ključnih zadataka poput razlaganja hrane ili transporta kisika. Moraju biti ispravno presavijeni da bi djelotvorno funkcionirali, baš kao što ključ mora biti pravilno izrezan da bi stao u bravu. Čim se protein stvori, počinje vrlo kompliciran proces savijanja.
Savijanje proteina je proces kojim se dugački lanci aminokiselina, građevnih blokova proteina, savijaju u trodimenzionalne strukture koje diktiraju funkciju proteina.
Razmislite o dugačkom nizu perli koje se moraju naručiti u precizan oblik; to se dešava kada se protein savija. Ipak, za razliku od kuglica, aminokiseline imaju jedinstvene karakteristike i međusobno djeluju na različite načine, čineći savijanje proteina složenim i osjetljivim procesom.
Slika ovdje predstavlja ljudski hemoglobin, koji je dobro poznati savijeni protein
Proteini se moraju brzo i precizno savijati, inače će postati pogrešno savijeni i defektni. To može dovesti do bolesti kao što su Alchajmerova i Parkinsonova bolest. Temperatura, pritisak i prisustvo drugih molekula u ćeliji utiču na proces savijanja.
Nakon decenija istraživanja, naučnici još uvijek pokušavaju otkriti kako se proteini savijaju.
Srećom, napredak u umjetnoj inteligenciji poboljšava razvoj u sektoru. Naučnici mogu predvideti strukturu proteina preciznije nego ikada ranije upotrebom Algoritmi mašinskog učenja da ispita ogromne količine podataka.
Ovo ima potencijal da promijeni razvoj lijekova i poveća naše molekularno znanje o bolesti.
Mogu li mašine da rade bolje?
Konvencionalne tehnike savijanja proteina imaju ograničenja
Naučnici su decenijama pokušavali da otkriju savijanje proteina, ali zamršenost procesa učinila je ovo izazovnom temom.
Konvencionalni pristupi predviđanju strukture proteina koriste kombinaciju eksperimentalnih metodologija i kompjuterskog modeliranja, međutim, sve ove metode imaju nedostatke.
Eksperimentalne tehnike poput rendgenske kristalografije i nuklearne magnetne rezonance (NMR) mogu biti dugotrajne i skupe. A kompjuterski modeli se ponekad oslanjaju na jednostavne pretpostavke, što može dovesti do pogrešnih predviđanja.
AI može savladati ove prepreke
Na sreću, umjetne inteligencije daje novo obećanje za preciznije i efikasnije predviđanje strukture proteina. Algoritmi mašinskog učenja mogu ispitati ogromne količine podataka. I otkrivaju obrasce koji bi ljudima nedostajali.
To je rezultiralo stvaranjem novih softverskih alata i platformi sposobnih za predviđanje strukture proteina s neusporedivom preciznošću.
Algoritmi mašinskog učenja koji najviše obećavaju za predviđanje strukture proteina
AlphaFold sistem koji je napravio Google DeepMind tim je jedan od najperspektivnijih napredaka u ovoj oblasti. Upotrebom je postigao veliki napredak posljednjih godina algoritmi dubokog učenja da predvidi strukturu proteina na osnovu njihovih aminokiselinskih sekvenci.
Neuralne mreže, mašine za vektore podrške i nasumične šume su među više metoda mašinskog učenja koje obećavaju za predviđanje strukture proteina.
Ovi algoritmi mogu učiti iz ogromnih skupova podataka. I mogu predvideti korelacije između različitih aminokiselina. Dakle, da vidimo kako to funkcionira.
Koevolucijske analize i prva AlphaFold generacija
Uspjeh AlphaFold je izgrađen na modelu duboke neuronske mreže koji je razvijen korištenjem koevolucijske analize. Koncept koevolucije kaže da ako dvije aminokiseline u proteinu stupe u interakciju jedna s drugom, one će se razvijati zajedno kako bi zadržale svoju funkcionalnu vezu.
Istraživači mogu otkriti koji parovi aminokiselina će vjerovatno biti u dodiru u 3D strukturi upoređujući sekvence aminokiselina brojnih sličnih proteina.
Ovi podaci služe kao osnova za prvu iteraciju AlphaFold-a. On predviđa dužine između parova aminokiselina, kao i uglove peptidnih veza koje ih povezuju. Ova metoda je nadmašila sve prethodne pristupe za predviđanje strukture proteina iz sekvence, iako je preciznost i dalje bila ograničena za proteine bez vidljivih šablona.
AlphaFold 2: radikalno nova metodologija
AlphaFold2 je kompjuterski softver kreiran od strane DeepMind-a koji koristi sekvencu aminokiselina proteina za predviđanje 3D strukture proteina.
Ovo je značajno jer struktura proteina diktira kako on funkcionira, a razumijevanje njegove funkcije može pomoći naučnicima da razviju lijekove koji ciljaju na protein.
AlphaFold2 neuronska mreža prima kao ulaz aminokiselinsku sekvencu proteina, kao i detalje o tome kako se ta sekvenca upoređuje sa drugim sekvencama u bazi podataka (ovo se naziva „poravnanje sekvence“).
Neuronska mreža predviđa 3D strukturu proteina na osnovu ovog ulaza.
Šta ga razlikuje od AlphaFold2?
Za razliku od drugih pristupa, AlphaFold2 predviđa stvarnu 3D strukturu proteina, a ne samo razdvajanje između parova aminokiselina ili uglove između veza koje ih povezuju (kao što su to činili prethodni algoritmi).
Kako bi neuronska mreža mogla anticipirati punu strukturu odjednom, struktura je kodirana od kraja do kraja.
Još jedna ključna karakteristika AlphaFold2 je da nudi procjenu koliko je siguran u svoju prognozu. Ovo je predstavljeno kao kodiranje u boji na predviđenoj strukturi, pri čemu crvena predstavlja visoko povjerenje, a plava sugerira nisko povjerenje.
Ovo je korisno jer informiše naučnike o stabilnosti predviđanja.
Predviđanje kombinovane strukture nekoliko sekvenci
Najnovija ekspanzija Alphafold2, poznata kao Alphafold Multimer, predviđa kombinovanu strukturu nekoliko sekvenci. I dalje ima visoku stopu grešaka čak i ako radi mnogo bolje od ranijih tehnika. Samo %25 od 4500 proteinskih kompleksa je uspješno predviđeno.
70% grubih područja formiranja kontakta je tačno predviđeno, ali je relativna orijentacija dva proteina bila netačna. Kada je srednja dubina poravnanja manja od otprilike 30 sekvenci, tačnost Alphafold multimernih predviđanja značajno opada.
Kako koristiti Alphafold predviđanja
Predviđeni modeli iz AlphaFold-a nude se u istim formatima datoteka i mogu se koristiti na isti način kao i eksperimentalne strukture. Ključno je uzeti u obzir procjene tačnosti koje se nude uz model kako bi se spriječili nesporazumi.
Posebno je koristan za komplikovane strukture kao što su isprepleteni homomeri ili proteini koji se savijaju samo u prisustvu
nepoznati ligand.
Neki izazovi
Glavni problem u korištenju predviđenih struktura je razumijevanje dinamike, selektivnosti liganda, kontrole, alosterije, posttranslacionih promjena i kinetike vezivanja bez pristupa proteinskim i biofizičkim podacima.
Mašinsko učenje a istraživanja molekularne dinamike zasnovana na fizici mogu se koristiti za prevazilaženje ovog problema.
Ova istraživanja mogu imati koristi od specijalizovane i efikasne računarske arhitekture. Iako je AlphaFold postigao ogroman napredak u predviđanju proteinskih struktura, još uvijek ima mnogo toga za naučiti u polju strukturalne biologije, a AlphaFold predviđanja su samo početna tačka za buduća proučavanja.
Koji su drugi izvanredni alati?
RoseTTAFold
RoseTTAFold, kreiran od strane istraživača sa Univerziteta Washington, također koristi algoritme dubokog učenja za predviđanje proteinskih struktura, ali također integrira novi pristup poznat kao "simulacije dinamike torzionog ugla" kako bi poboljšao predviđene strukture.
Ova metoda je dala ohrabrujuće rezultate i može biti korisna u prevazilaženju ograničenja postojećih alata za savijanje AI proteina.
trRosetta
Drugi alat, trRosetta, predviđa savijanje proteina pomoću a neuronska mreža obučeni na milione proteinskih sekvenci i struktura.
Takođe koristi tehniku “modeliranja zasnovanog na predlošku” za stvaranje preciznijih predviđanja upoređujući ciljni protein sa uporedivim poznatim strukturama.
Pokazano je da trRosetta može predvidjeti strukture sićušnih proteina i proteinskih kompleksa.
DeepMetaPSICOV
DeepMetaPSICOV je još jedan alat koji se fokusira na predviđanje proteinskih kontaktnih mapa. Oni se koriste kao vodič za predviđanje savijanja proteina. Koristi se duboko učenje pristupi predviđanju vjerovatnoće interakcija ostataka unutar proteina.
Oni se kasnije koriste za predviđanje ukupne mape kontakata. DeepMetaPSICOV je pokazao potencijal u predviđanju proteinskih struktura sa velikom preciznošću, čak i kada prethodni pristupi nisu uspjeli.
Šta drži budućnost?
Budućnost savijanja AI proteina je svijetla. Algoritmi zasnovani na dubokom učenju, posebno AlphaFold2, nedavno su postigli veliki napredak u pouzdanom predviđanju proteinskih struktura.
Ovo otkriće ima potencijal da transformiše razvoj lijekova omogućavajući naučnicima da bolje razumiju strukturu i funkciju proteina, koji su uobičajeni terapeutski ciljevi.
Ipak, ostaju pitanja poput predviđanja proteinskih kompleksa i otkrivanja stvarnog funkcionalnog statusa predviđenih struktura. Potrebno je više istraživanja da bi se riješili ovi problemi i povećala točnost i pouzdanost algoritama za savijanje AI proteina.
Ipak, potencijalne prednosti ove tehnologije su ogromne i ona ima potencijal da dovede do proizvodnje efikasnijih i preciznijih lijekova.
Ostavite odgovor