Što ako bismo mogli upotrijebiti umjetnu inteligenciju da odgovorimo na jednu od najvećih životnih misterija – savijanje proteina? Znanstvenici na tome rade desetljećima.
Strojevi sada mogu predvidjeti strukture proteina s nevjerojatnom preciznošću koristeći modele dubokog učenja, mijenjajući razvoj lijekova, biotehnologiju i naše znanje o temeljnim biološkim procesima.
Pridružite mi se u istraživanju intrigantnog područja AI savijanja proteina, gdje se vrhunska tehnologija sudara sa složenošću samog života.
Razotkrivanje misterija savijanja proteina
Proteini rade u našim tijelima poput malih strojeva za obavljanje ključnih zadataka poput razgradnje hrane ili prijenosa kisika. Moraju biti ispravno presavijeni kako bi učinkovito 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, gradivni blokovi proteina, savijaju u trodimenzionalne strukture koje određuju funkciju proteina.
Razmislite o dugom nizu perli koje se moraju poredati u precizan oblik; to je ono što se događa 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 presavijeni protein
Proteini se moraju savijati brzo i precizno ili će postati pogrešno savijeni i neispravni. To bi moglo dovesti do bolesti poput Alzheimerove i Parkinsonove bolesti. Temperatura, tlak i prisutnost drugih molekula u stanici utječu na proces savijanja.
Nakon desetljeća istraživanja, znanstvenici još uvijek pokušavaju otkriti kako se točno proteini savijaju.
Srećom, napredak u umjetnoj inteligenciji unapređuje razvoj sektora. Znanstvenici mogu predvidjeti strukturu proteina točnije nego ikad prije pomoću algoritmi strojnog učenja ispitati ogromne količine podataka.
To ima potencijal promijeniti razvoj lijekova i povećati naše molekularno znanje o bolesti.
Mogu li strojevi raditi bolje?
Konvencionalne tehnike savijanja proteina imaju ograničenja
Znanstvenici su desetljećima pokušavali dokučiti savijanje proteina, ali zamršenost procesa učinila je ovo izazovnom temom.
Konvencionalni pristupi predviđanja strukture proteina koriste kombinaciju eksperimentalnih metodologija i računalnog modeliranja, međutim, sve ove metode imaju nedostatke.
Eksperimentalne tehnike poput rendgenske kristalografije i nuklearne magnetske rezonancije (NMR) mogu biti dugotrajne i skupe. Računalni modeli ponekad se oslanjaju na jednostavne pretpostavke, što može dovesti do pogrešnih predviđanja.
AI može prevladati ove prepreke
Srećom, umjetna inteligencija pruža novo obećanje za točnije i učinkovitije predviđanje strukture proteina. Algoritmi strojnog učenja mogu ispitati goleme količine podataka. I otkrivaju obrasce koje bi ljudi propustili.
To je rezultiralo stvaranjem novih softverskih alata i platformi sposobnih za predviđanje strukture proteina s neusporedivom preciznošću.
Algoritmi strojnog učenja koji najviše obećavaju za predviđanje strukture proteina
Sustav AlphaFold koji je izradio Google DeepMind jedan je od napredaka koji najviše obećavaju u ovom području. Posljednjih godina postigao je velik napredak korištenjem algoritmi dubokog učenja predvidjeti strukturu proteina na temelju njihovih aminokiselinskih sekvenci.
Neuronske mreže, potporni vektorski strojevi i nasumične šume među više su metoda strojnog učenja koje obećavaju za predviđanje strukture proteina.
Ovi algoritmi mogu učiti iz golemih skupova podataka. I mogu predvidjeti korelacije između različitih aminokiselina. Dakle, da vidimo kako to radi.
Koevolucijske analize i prva generacija alfafolda
Uspjeh AlphaFold izgrađen je na modelu duboke neuronske mreže koji je razvijen korištenjem koevolucijske analize. Koncept koevolucije kaže da ako dvije aminokiseline u proteinu međusobno djeluju jedna na drugu, one će se razvijati zajedno kako bi zadržale svoju funkcionalnu vezu.
Istraživači mogu otkriti koji će parovi aminokiselina vjerojatno biti u dodiru u 3D strukturi uspoređujući sekvence aminokiselina brojnih sličnih proteina.
Ovi podaci služe kao temelj za prvu iteraciju AlphaFolda. Predviđa duljine između parova aminokiselina kao i kutove peptidnih veza koje ih povezuju. Ova je metoda nadmašila sve prijašnje pristupe za predviđanje strukture proteina iz sekvence, iako je točnost još uvijek bila ograničena za proteine bez očitih predložaka.
AlphaFold 2: Radikalno nova metodologija
AlphaFold2 je računalni softver koji je kreirao DeepMind koji koristi sekvencu aminokiselina proteina za predviđanje 3D strukture proteina.
Ovo je značajno jer struktura proteina diktira kako funkcionira, a razumijevanje njegove funkcije može pomoći znanstvenicima da razviju lijekove koji ciljaju protein.
Neuralna mreža AlphaFold2 kao ulaz prima sekvencu aminokiselina proteina kao i pojedinosti o usporedbi te sekvence s drugim sekvencama u bazi podataka (ovo se naziva "usklađivanje sekvenci").
Neuronska mreža na temelju ovog unosa predviđa 3D strukturu proteina.
Što ga razlikuje od AlphaFold2?
Za razliku od drugih pristupa, AlphaFold2 predviđa stvarnu 3D strukturu proteina, a ne samo razdvajanje između parova aminokiselina ili kutova između veza koje ih povezuju (kao što su radili prijašnji algoritmi).
Kako bi neuronska mreža mogla predvidjeti cijelu strukturu odjednom, struktura se kodira od kraja do kraja.
Još jedna ključna karakteristika AlphaFold2 je da nudi procjenu koliko je siguran u svoju prognozu. Ovo je predstavljeno kao kodiranje bojom na predviđenoj strukturi, pri čemu crvena predstavlja visoku pouzdanost, a plava nisku pouzdanost.
Ovo je korisno jer informira znanstvenike o stabilnosti predviđanja.
Predviđanje kombinirane strukture nekoliko nizova
Najnovija ekspanzija Alphafold2, poznata kao Alphafold Multimer, predviđa kombiniranu strukturu nekoliko sekvenci. I dalje ima visoku stopu pogrešaka čak i ako radi daleko bolje od ranijih tehnika. Samo %25 od 4500 proteinskih kompleksa je uspješno predviđeno.
70% grubih područja formiranja kontakta bilo je točno predviđeno, ali relativna orijentacija dvaju proteina bila je netočna. Kada je srednja dubina poravnanja manja od otprilike 30 sekvenci, točnost Alphafold multimer predviđanja značajno opada.
Kako koristiti alfafold predviđanja
Predviđeni modeli AlphaFolda nude se u istim formatima datoteka i mogu se koristiti na isti način kao eksperimentalne strukture. Ključno je uzeti u obzir procjene točnosti koje nudi model kako bi se spriječili nesporazumi.
Posebno je korisno za komplicirane strukture poput isprepletenih homomera ili proteina koji se savijaju samo u prisutnosti
nepoznati ligand.
Neki izazovi
Glavni problem u korištenju predviđenih struktura je razumijevanje dinamike, selektivnosti liganda, kontrole, alosterije, posttranslacijskih promjena i kinetike vezanja bez pristupa proteinskim i biofizičkim podacima.
Strojno učenje a istraživanje molekularne dinamike utemeljeno na fizici može se iskoristiti za prevladavanje ovog problema.
Ova istraživanja mogu imati koristi od specijalizirane i učinkovite računalne arhitekture. Iako je AlphaFold postigao golem napredak u predviđanju struktura proteina, ima još mnogo toga za naučiti u polju strukturne biologije, a predviđanja AlphaFolda samo su polazište za buduće studije.
Koji su drugi izvanredni alati?
RoseTTAFold
RoseTTAFold, koji su izradili istraživači Sveučilišta u Washingtonu, također koristi algoritme dubokog učenja za predviđanje struktura proteina, ali također integrira novi pristup poznat kao "simulacije dinamike kuta torzije" za poboljšanje predviđenih struktura.
Ova je metoda dala ohrabrujuće rezultate i mogla bi biti korisna u prevladavanju ograničenja postojećih alata za savijanje proteina umjetne inteligencije.
trRosetta
Drugi alat, trRosetta, predviđa savijanje proteina pomoću a neuronska mreža uvježban na milijunima proteinskih sekvenci i struktura.
Također koristi tehniku "modeliranja temeljenog na predlošku" za stvaranje preciznijih predviđanja usporedbom ciljnog proteina s usporedivim poznatim strukturama.
Dokazano je da je trRosetta sposobna predvidjeti strukture sićušnih proteina i proteinskih kompleksa.
DeepMetaPSICOV
DeepMetaPSICOV je još jedan alat koji se fokusira na predviđanje mapa kontakta proteina. Oni se koriste kao vodič za predviđanje savijanja proteina. Koristi se duboko učenje pristupi predviđanju vjerojatnosti interakcija ostataka unutar proteina.
Oni se naknadno koriste za predviđanje ukupne karte kontakata. DeepMetaPSICOV je pokazao potencijal u predviđanju proteinskih struktura s velikom točnošću, čak i kada prethodni pristupi nisu uspjeli.
Što drži budućnost?
Budućnost AI savijanja proteina je svijetla. Algoritmi temeljeni na dubokom učenju, posebno AlphaFold2, nedavno su postigli veliki napredak u pouzdanom predviđanju proteinskih struktura.
Ovo otkriće ima potencijal transformirati razvoj lijekova omogućujući znanstvenicima da bolje razumiju strukturu i funkciju proteina, koji su uobičajeni terapeutski ciljevi.
Unatoč tome, problemi poput predviđanja proteinskih kompleksa i otkrivanja stvarnog funkcionalnog statusa očekivanih struktura ostaju. Potrebno je više istraživanja kako bi se riješili ti problemi i povećala točnost i pouzdanost algoritama za savijanje proteina umjetne inteligencije.
Ipak, potencijalne dobrobiti ove tehnologije su ogromne i ima potencijal dovesti do proizvodnje učinkovitijih i preciznijih lijekova.
Ostavi odgovor