Ved at udvikle maskinlæringsmodeller, der kan se på proteininformation indsamlet fra databaser
Vi spekulerede alle på, hvor let processen er,såsom evolution kan føre til et højtydende materiale som protein. Vi fandt ud af, at genomdata indeholdt et væld af oplysninger om de grundlæggende regler for proteinstruktur og funktion, og nu var vi i stand til at skabe naturens regler for at skabe proteiner selv.
Rama Ranganathan, professor ved Institut for Biokemi og Molekylær Biologi, Pritzker Molekylær Ingeniørarbejde
Proteiner er sammensat af hundreder eller tusinder af aminosyrer, ogdisse aminosyresekvenser bestemmer strukturen og funktionen af proteinet. Men det har ikke været let at finde ud af, hvordan man opretter disse sekvenser for at skabe nye proteiner. Tidligere arbejde har ført til metoder, der kan definere struktur, men funktionen var mere undvigende.
I løbet af de sidste 15 år har Ranganathan og hans stabindså, at genomdatabaser, som vokser eksponentielt, indeholder et væld af oplysninger om de grundlæggende regler for proteinstruktur og funktion. Hans team udviklede matematiske modeller baseret på disse data og begyndte derefter at bruge maskinlæringsteknikker til at afdække nye oplysninger om de grundlæggende regler for proteindesign.
Til denne undersøgelse studerede de familienmetaboliske enzymer chorismate mutase, en type protein, der er afgørende for livet for mange bakterier, svampe og planter. Ved hjælp af maskinlæringsmodeller kunne forskerne identificere enkle regler til design af disse proteiner.
Modellen viser, at kun at gemme iaminosyrepositioner og korrelationer i udviklingen af aminosyrepar er tilstrækkelige til at forudsige nye kunstige sekvenser, der har egenskaberne af en proteinfamilie.
Det antager vi normalt for atFor at bygge noget skal du først dybt forstå, hvordan det fungerer. Men hvis du har nok eksempeldata, kan du bruge deep learning-teknikker til at lære designregler, selvom du forstår, hvordan det fungerer, eller hvorfor det er bygget på den måde.
Rama Ranganathan, professor i Institut for Biokemi og Molekylærbiologi, Pritzker Molekylær Engineering
Derefter skabte han og hans stab syntetiskgener til at kode for proteiner, klonede dem i bakterier og så bakterierne producere derefter syntetiske proteiner ved hjælp af deres normale cellulære maskiner. De fandt ud af, at kunstige proteiner har den samme katalytiske funktion som naturlige chorismate mutase proteiner.
Fordi designreglerne er så enkle, er mængden af kunstige proteiner, som forskere potentielt kan skabe, enorm.
Selvom kunstig intelligens afslørede reglernedesign, forstår Ranganathan og hans stab stadig ikke helt, hvorfor modeller fungerer. Forskere vil arbejde for at forstå, hvordan modellerne kom til denne tilstand.
Samtidig håber de også at bruge detteen platform til udvikling af proteiner, der kan tackle presserende sociale problemer såsom klimaændringer. Ranganathan og Assoc. Professor Andrew Ferguson grundlagde Evozyne, som kommercialiserer denne teknologi inden for energi, miljø, katalyse og landbrug.
Læs også
Se på 3D-kortet over universet: det blev samlet i 20 år, og det har allerede overrasket forskere
Det viser sig, at coronavirus forhindrer celler i at genkende det
I Omsk-regionen har arkæologer fundet knogler og våben, der er 12 tusinde år gamle