Vývojem modelů strojového učení, které se mohou podívat na informace o proteinech shromážděné z databází
Všichni jsme se divili, jak je proces snadný,jako je evoluce, může vést k vysoce výkonnému materiálu, jako je protein. Zjistili jsme, že genomová data obsahovala velké množství informací o základních pravidlech struktury a funkce proteinů, a nyní jsme byli schopni vytvořit pravidla přírody, abychom sami vytvořili proteiny.
Rama Ranganathan, profesor na katedře biochemie a molekulární biologie, Pritzker Molecular Engineering
Proteiny se skládají ze stovek nebo tisíců aminokyselin atyto aminokyselinové sekvence určují strukturu a funkci proteinu. Ale zjistit, jak vytvořit tyto sekvence k vytvoření nových proteinů, nebylo snadné. Minulá práce vedla k metodám, které mohou definovat strukturu, ale tato funkce byla více nepolapitelná.
Za posledních 15 let Ranganathan a jeho zaměstnancisi uvědomil, že databáze genomu, které rostou exponenciálně, obsahují velké množství informací o základních pravidlech struktury a funkce proteinů. Jeho skupina vyvinula matematické modely založené na těchto datech a poté začala používat techniky strojového učení k odhalení nových informací o základních pravidlech pro design proteinů.
Pro tuto studii studovali rodinumetabolické enzymy chorismát mutáza, druh proteinu, který je nezbytný pro život mnoha bakterií, hub a rostlin. Pomocí modelů strojového učení byli vědci schopni identifikovat jednoduchá pravidla pro navrhování těchto proteinů.
Model ukazuje, že se ukládá pouzepolohy aminokyselin a korelace ve vývoji párů aminokyselin jsou dostatečné k předpovědi nových umělých sekvencí, které budou mít vlastnosti proteinové rodiny.
Obvykle předpokládáme, že protoChcete-li něco postavit, musíte nejprve hluboce pochopit, jak to funguje. Ale pokud máte dostatek příkladových dat, můžete použít techniky hlubokého učení k naučení se návrhových pravidel, i když rozumíte tomu, jak to funguje nebo proč je to tak vytvořeno.
Rama Ranganathan, profesor na katedře biochemie a molekulární biologie, Pritzker Molecular Engineering
Pak on a jeho zaměstnanci vytvořili syntetikugeny kódující proteiny, klonovaly je do bakterií a sledovaly, jak bakterie produkují syntetické proteiny pomocí svého normálního buněčného aparátu. Zjistili, že umělé proteiny mají stejnou katalytickou funkci jako přirozeně se vyskytující proteiny chorismát mutázy.
Protože pravidla návrhu jsou tak jednoduchá, množství umělých proteinů, které mohou vědci potenciálně vytvořit, je obrovské.
I když umělá inteligence odhalila pravidladesign, Ranganathan a jeho spolupracovníci stále plně nechápou, proč modely fungují. Vědci se budou snažit pochopit, jak se modely dostaly do tohoto stavu.
Zároveň také doufají, že to využijíplatforma pro vývoj proteinů, které mohou řešit naléhavé sociální problémy, jako je změna klimatu. Ranganathan a Doc. Profesor Andrew Ferguson založil společnost Evozyne, která bude tuto technologii komercializovat v oblasti energetiky, životního prostředí, katalýzy a zemědělství.
Přečtěte si také
Podívejte se na 3D mapu vesmíru: byla sestavena po dobu 20 let a už to vědce překvapilo
Ukázalo se, že koronavirus brání buňkám v rozpoznávání
V Omsku našli archeologové kosti a zbraně staré 12 tisíc let