Hvað ef við gætum notað gervigreind til að svara einni af stærstu ráðgátum lífsins - próteinbrot? Vísindamenn hafa unnið að þessu í áratugi.
Vélar geta nú spáð fyrir um próteinbyggingar með ótrúlegri nákvæmni með því að nota djúpnámslíkön, breyta lyfjaþróun, líftækni og þekkingu okkar á grundvallar líffræðilegum ferlum.
Vertu með mér í könnun á forvitnilegu sviði gervigreindarpróteinsbrots, þar sem nýjustu tækni rekst á flókið líf sjálft.
Að leysa leyndardóminn um próteinfellingu
Prótein vinna í líkama okkar eins og litlar vélar til að sinna mikilvægum verkefnum eins og að brjóta niður mat eða flytja súrefni. Þeir verða að vera rétt brotnir saman til að þeir virki á áhrifaríkan hátt, rétt eins og lykill verður að vera rétt skorinn til að passa inn í læsingu. Um leið og próteinið er búið til hefst mjög flókið brotaferli.
Próteinbrotning er ferlið þar sem langar keðjur amínósýra, byggingareiningar próteinsins, brjóta saman í þrívíddarbyggingar sem ráða virkni próteinsins.
Íhugaðu langan streng af perlum sem verður að panta í nákvæmu formi; þetta er það sem gerist þegar prótein brjótast saman. Samt, ólíkt perlum, hafa amínósýrur einstaka eiginleika og hafa samskipti sín á milli á ýmsan hátt, sem gerir próteinbrotning að flóknu og viðkvæmu ferli.
Myndin hér sýnir blóðrauða úr mönnum, sem er vel þekkt brotin prótein
Prótein verða að brjóta saman hratt og nákvæmlega, annars verða þau misbrotin og gölluð. Það gæti leitt til sjúkdóma eins og Alzheimers og Parkinsons. Hitastig, þrýstingur og tilvist annarra sameinda í frumunni hefur öll áhrif á brjóta saman ferlið.
Eftir áratuga rannsóknir eru vísindamenn enn að reyna að komast að því nákvæmlega hvernig prótein brjóta saman.
Sem betur fer eru framfarir í gervigreind að bæta þróun í geiranum. Vísindamenn geta séð fyrir uppbyggingu próteina nákvæmari en nokkru sinni fyrr með því að nota vélfræðinám reiknirit að skoða gríðarlegt magn gagna.
Þetta hefur tilhneigingu til að breyta lyfjaþróun og auka sameindaþekkingu okkar á sjúkdómnum.
Geta vélar staðið sig betur?
Hefðbundin próteinfellingartækni hefur takmarkanir
Vísindamenn hafa verið að reyna að finna út próteinbrot í áratugi, en flókið ferli hefur gert þetta að krefjandi viðfangsefni.
Hefðbundnar aðferðir til að spá fyrir uppbyggingu próteina nota blöndu af tilraunaaðferðum og tölvulíkönum, en þessar aðferðir hafa allar galla.
Tilraunatækni eins og röntgenkristöllun og kjarnasegulómun (NMR) geta verið tímafrek og kostnaðarsöm. Og tölvulíkön reiða sig stundum á einfaldar forsendur, sem geta leitt til rangra spár.
AI getur sigrast á þessum hindrunum
Til allrar hamingju, gervigreind er að veita ný loforð um nákvæmari og skilvirkari spá um uppbyggingu próteina. Vélræn reiknirit geta skoðað gríðarlegt magn gagna. Og þeir afhjúpa mynstur sem fólk myndi sakna.
Þetta hefur skilað sér í sköpun nýrra hugbúnaðarverkfæra og vettvanga sem geta spáð fyrir um uppbyggingu próteina með óviðjafnanlega nákvæmni.
Efnilegasta vélanámsreikniritið fyrir spá um próteinbyggingu
AlphaFold kerfið byggt af Google DeepMind liðið er eitt efnilegasta framfarastigið á þessu sviði. Það hefur náð miklum framförum á undanförnum árum með því að nota reiknirit djúpt nám að spá fyrir um uppbyggingu próteina út frá amínósýruröð þeirra.
Tauganet, stuðningsvefjavélar og tilviljanakenndir skógar eru meðal fleiri vélanámsaðferða sem sýna fyrirheit um að spá fyrir um uppbyggingu próteina.
Þessi reiknirit geta lært af gríðarlegum gagnasöfnum. Og þeir geta séð fyrir fylgni milli mismunandi amínósýra. Svo, við skulum sjá hvernig það virkar.
Samþróunargreiningar og fyrsta AlphaFold kynslóðin
Árangur af AlphaFold er byggt á djúpu taugakerfislíkani sem var þróað með samþróunargreiningu. Hugmyndin um samþróun segir að ef tvær amínósýrur í próteini hafa víxlverkun hver við aðra muni þær þróast saman til að halda starfrænum tengslum sínum.
Vísindamenn geta greint hvaða amínósýrupör eru líkleg til að vera í sambandi í þrívíddarbyggingunni með því að bera saman amínósýruraðir fjölmargra svipaðra próteina.
Þessi gögn þjóna sem grunnur að fyrstu endurtekningu AlphaFold. Það spáir fyrir um lengdina á milli amínósýrupöra sem og horn peptíðtengjanna sem tengja þau. Þessi aðferð stóð sig betur en allar fyrri aðferðir til að spá fyrir um uppbyggingu próteina út frá röð, þó að nákvæmni væri enn takmörkuð fyrir prótein með engin sýnileg sniðmát.
AlphaFold 2: Róttækt ný aðferðafræði
AlphaFold2 er tölvuhugbúnaður búinn til af DeepMind sem notar amínósýruröð próteins til að spá fyrir um þrívíddarbyggingu próteinsins.
Þetta er mikilvægt vegna þess að uppbygging próteins ræður því hvernig það virkar og skilningur á virkni þess getur hjálpað vísindamönnum að þróa lyf sem miða á próteinið.
AlphaFold2 tauganetið fær amínósýruröð próteinsins sem inntak sem og upplýsingar um hvernig sú röð er í samanburði við aðrar raðir í gagnagrunni (þetta er kallað „röðun“).
Tauganetið spáir um þrívíddarbyggingu próteinsins út frá þessu inntaki.
Hvað aðgreinir það frá AlphaFold2?
Öfugt við aðrar aðferðir, spáir AlphaFold2 fyrir um raunverulega þrívíddarbyggingu próteinsins frekar en aðeins aðskilnað á milli amínósýrupöra eða hornin á milli tenginna sem tengja þau saman (eins og fyrri reiknirit gerðu).
Til þess að tauganetið geti gert ráð fyrir fullri uppbyggingu í einu, er uppbyggingin kóðuð frá enda til enda.
Annað lykileinkenni AlphaFold2 er að það býður upp á áætlun um hversu öruggur hann er í spá sinni. Þetta er sett fram sem litakóðun á fyrirhugaða uppbyggingu, þar sem rautt táknar mikið sjálfstraust og blátt gefur til kynna lítið sjálfstraust.
Þetta er gagnlegt þar sem það upplýsir vísindamenn um stöðugleika spánnar.
Að spá fyrir um sameinaða uppbyggingu nokkurra raða
Nýjasta stækkun Alphafold2, þekkt sem Alphafold Multimer, spáir samsettri uppbyggingu nokkurra raða. Það hefur enn háa villutíðni jafnvel þó að það skili miklu betur en fyrri tækni. Aðeins var spáð fyrir um %25 af 4500 próteinfléttum.
Rétt var spáð fyrir um 70% af grófum svæðum snertimyndunar, en hlutfallsleg afstaða próteinanna tveggja var röng. Þegar miðgildi jöfnunardýptar er minna en u.þ.b. 30 raðir minnkar nákvæmni Alphafold margliða spár verulega.
Hvernig á að nota Alphafold spár
Spálíkönin frá AlphaFold eru boðin á sömu skráarsniðum og hægt er að nota þau á sama hátt og tilraunamannvirki. Það er mikilvægt að taka tillit til nákvæmnismatsins sem boðið er upp á með líkaninu til að koma í veg fyrir misskilning.
Það er sérstaklega gagnlegt fyrir flóknar mannvirki eins og samofnar hómómer eða prótein sem aðeins brjóta saman í viðurvist
óþekktur bindill.
Nokkrar áskoranir
Helsta vandamálið við að nota spáð mannvirki er að skilja gangverki, sérhæfni bindilsins, stjórnun, blöndun, breytingar eftir þýðingu og hreyfihvörf bindingar án aðgangs að próteini og lífeðlisfræðilegum gögnum.
vél nám og eðlisfræði-undirstaða sameinda gangverki rannsóknir er hægt að nýta til að sigrast á þessu vandamáli.
Þessar rannsóknir geta notið góðs af sérhæfðum og skilvirkum tölvuarkitektúr. Þó að AlphaFold hafi náð gríðarlegum framförum í að spá fyrir um uppbyggingu próteina, þá er enn mikið að læra á sviði byggingarlíffræði og AlphaFold spár eru aðeins upphafspunkturinn fyrir framtíðarrannsóknir.
Hvað eru önnur merkileg verkfæri?
RoseTTAFold
RoseTTAFold, búin til af vísindamönnum háskólans í Washington, notar sömuleiðis djúpnámsreiknirit til að spá fyrir um próteinbyggingu, en það samþættir einnig nýja nálgun sem kallast „snúningshornshreyfingarhermunir“ til að bæta spáð mannvirki.
Þessi aðferð hefur skilað hvetjandi árangri og getur verið gagnleg til að sigrast á takmörkunum á núverandi gervigreindarpróteinbrjótunarverkfærum.
trRosetta
Annað tól, trRosetta, spáir fyrir um próteinbrot með því að nota a tauga net þjálfaðir á milljón prótein raðir og uppbyggingu.
Það notar einnig „sniðmátsbundna líkangerð“ tækni til að búa til nákvæmari spár með því að bera saman markpróteinið við sambærilega þekkta uppbyggingu.
Sýnt hefur verið fram á að trRosetta er fær um að spá fyrir um uppbyggingu örsmárra próteina og próteinfléttna.
DeepMetaPSICOV
DeepMetaPSICOV er annað tæki sem einbeitir sér að því að spá fyrir um próteinsnertikort. Þessar eru notaðar sem leiðbeiningar til að spá fyrir um próteinbrot. Það notar djúpt nám aðferðir til að spá fyrir um líkur á milliverkunum leifa innan próteins.
Þetta er síðan notað til að spá fyrir um heildarsamskiptakortið. DeepMetaPSICOV hefur sýnt möguleika í að spá fyrir um uppbyggingu próteina með mikilli nákvæmni, jafnvel þegar fyrri aðferðir hafa mistekist.
Hvað ber framtíðin í skauti sér?
Framtíð gervigreindarpróteinsbrots er björt. Reiknirit sem byggjast á djúpnámi, einkum AlphaFold2, hafa nýlega tekið miklum framförum við að spá fyrir um próteinbyggingu á áreiðanlegan hátt.
Þessi niðurstaða hefur tilhneigingu til að umbreyta lyfjaþróun með því að leyfa vísindamönnum að skilja betur uppbyggingu og virkni próteina, sem eru algeng lækningaleg markmið.
Engu að síður eru vandamál eins og spá um próteinfléttur og greina raunverulega virknistöðu væntanlegra mannvirkja eftir. Fleiri rannsóknir eru nauðsynlegar til að leysa þessi mál og auka nákvæmni og áreiðanleika gervigreindar próteinsbrotalgríma.
Samt er hugsanlegur ávinningur þessarar tækni gríðarlegur og hún hefur möguleika á að leiða til framleiðslu á áhrifaríkari og nákvæmari lyfjum.
Skildu eftir skilaboð