Nejen lidé mohou předvídat genetické onemocnění a vytvořit nový lék, ale také
Jak biologové studují lidské proteiny?
Již více než 10 let molekulární biolog Martin Beckspolečně s kolegy se pokusili vytvořit detailní model jaderně-pórových komplexů. Beck jej nazývá největším molekulárním strojem v lidských buňkách. Komplex jaderných pórů řídí tok molekul, které proudí dovnitř a ven z buněčného jádra do místa, kde sídlí genom. Ve všech buňkách existují stovky takových komplexů. Každá z nich se skládá z více než 1000 bílkovin.
Tyto tisíce kusů tvoří přes 30 proteinů.stavební kameny, které se různě prolínají: práce s nimi je tedy ještě obtížnější. V roce 2016 tým vedený Beckem z Institutu Maxe Plancka pro biofyziku (MPIB) oznámil, že vytvořil model, který popisuje asi 30 % komplexu jaderných pórů a téměř polovinu stavebních bloků, jinými slovy proteiny Nup.
Jak se algoritmy učí lidské proteiny?
V červenci 2021, DeepMind, součástAlphabet, mateřská společnost Googlu, představila AI s názvem AlphaFold. Tento software by mohl předpovídat trojrozměrný tvar proteinů z jejich genetické sekvence. Výpočty byly provedeny s vysokou přesností. To vážně změnilo úkoly a zájmy biologů.
Pomocí AlphaFold byli vědci schopni předpovídatjaký je tvar lidského proteinu Nup. A později zveřejnili model, který popisuje 60 % komplexu jaderných pórů. To pomohlo pochopit, jak komplex stabilizuje póry a řídí tok molekul.
AlphaFold mánie: proč se AI pro studium struktury proteinů stala tak populární?
Podle biologů celá vědecká komunitasevřel AlphaFold-mánii. Umělá inteligence byla použita pro velké množství výzkumu. V některých případech pomohl algoritmus ušetřit čas nebo poskytl nová data. Ale AI má také omezení: někteří vědci považují její předpovědi za příliš nespolehlivé pro jejich práci. Všichni však přiznávají, že algoritmus si se zpracováním dat poradí lépe než kdokoli jiný.
Dokonce ani samotní vývojáři algoritmů ne vždymají čas přijít na to, v jakých dalších oblastech se dá použít: a tak často jen sledují, jak týmy výzkumníků dělají nové objevy pomocí AlphaFold: od objevu léků a vývoje proteinů až po vznik složitého života.
V polovině července 2021 ve veřejné doméněobjevil se kód umělé inteligence s otevřeným zdrojovým kódem a také další informace, které vědcům pomohou začít takový výzkum provádět jako součást své práce. O týden později DeepMind oznámil, že použil AlphaFold k předpovědi struktury téměř všech proteinů, které lidé tvoří. Celkem tým studoval 365 000 biologických struktur. Dnes se tato databáze rozšířila na téměř milion struktur.
V roce 2022 plánuje DeepMind vydatcelkem více než 100 milionů předpovědí o biologické struktuře organismů. To je téměř polovina všech známých proteinů - také toto číslo je stokrát vyšší než proteiny, které bylo možné určit experimentálně.
Tento nástroj již pomohl výzkumníkům najít novépotenciální proteinové partnery. Vědci použili AlphaFold k předpovědi struktury 65 000 lidských proteinových párů. A další skupina použila AlphaFold a RoseTTAFold k modelování interakcí mezi téměř každým párem proteinů kódovaných kvasinkami. Výsledkem bylo, že našli více než 100 dříve neznámých komplexů jaderných pórů.
Jak Alpha Fold funguje?
AlphaFold využívá hluboké neuronové sítěUčení: Jedná se o výpočetní strukturu, která funguje jako lidský mozek a rozpoznává vzorce v datech. Algoritmus byl trénován pomocí stovek tisíc proteinových struktur, které byly určeny experimentálně. Pokud AI narazí na novou sekvenci, nejprve hledá v databázích podobné případy.
AlphaFold cyklicky prochází rady a zkoušísimulovat 3D obraz aminokyselin. Odborníci se domnívají, že tento software úspěšně použil nové nápady pro strojové učení. Zejména si všímají jedinečného mechanismu zvaného „pozornost“ – ten určuje, které aminokyselinové sloučeniny jsou v daném okamžiku pro práci nejdůležitější.
Jaký je problém s AlphaFold?
Předpovědi AlphaFold závisí na informacích opříbuzné proteinové sekvence, takže AI má určitá omezení. Algoritmus například nemůže předpovědět účinek mutací na tvar proteinu, zejména těch, které způsobují onemocnění.
Nedokáže také zjistit, jak se proteiny měnítvar v důsledku jiných interagujících proteinů nebo molekul, jako jsou léky. Ale model může vyhodnotit spolehlivost své vlastní predikce pro každou aminokyselinovou jednotku proteinu. V srpnu 2022 DeepMind oznámil, že více než 400 000 lidí používá databáze AlphaFold EMBL-EBI.
Jak takové algoritmy pomohou obyčejným lidem?
Výzkumníci z farmaceutických a biotechnologických firem jsou nadšeni potenciálem AlphaFold a říkají, že tento algoritmus pomáhá objevovat nové léky.
Karen Akinsanya, vedoucí rozvojevývoj terapeutik ve společnosti Schrödinger, poznamenává, že ona a její kolegové pracovali s AlphaFold s výsledky, které lze nazvat úspěšnými. Dokázali vyvinout sloučeniny, které by se potenciálně mohly stát drogami.
Přečtěte si více:
MIT vytváří stacionární tepelný motor, který překonává turbíny
Po deseti letech práce vědci zpochybnili standardní model fyziky
Podívejte se, jak vypadá východ slunce na Marsu