Ikke kun mennesker kan forudsige en genetisk sygdom og skabe en ny medicin, men også
Hvordan studerer biologer menneskelige proteiner?
I mere end 10 år molekylærbiolog Martin Becksammen med kolleger forsøgte at skabe en detaljeret model af nukleare-pore komplekser. Beck kalder det den største molekylære maskine i menneskelige celler. Det nukleare porekompleks styrer strømmen af molekyler, der strømmer ind og ud af cellekernen til hvor genomet ligger. Hundredvis af sådanne komplekser findes i alle celler. Hver af dem består af mere end 1.000 proteiner.
Disse tusindvis af stykker danner over 30 proteiner.byggeklodser, der fletter sig sammen på forskellige måder: så det er endnu sværere at arbejde med dem. I 2016 rapporterede et hold ledet af Beck ved Max Planck Institute for Biophysics (MPIB), at de havde skabt en model, der beskriver omkring 30 % af det nukleare porekompleks og næsten halvdelen af byggestenene, med andre ord Nup-proteiner.
Hvordan lærer algoritmer menneskelige proteiner?
I juli 2021 blev DeepMind, en del afAlphabet, Googles moderselskab, introducerede en kunstig intelligens kaldet AlphaFold. Denne software kunne forudsige den tredimensionelle form af proteiner ud fra deres genetiske sekvens. Beregningerne er udført med høj nøjagtighed. Dette har for alvor ændret biologernes opgaver og interesser.
Ved hjælp af AlphaFold var forskerne i stand til at forudsigehvad er formen af det humane Nup-protein. Og senere offentliggjorde de en model, der beskriver 60% af det nukleare porekompleks. Dette hjalp med at forstå, hvordan komplekset stabiliserer porerne og styrer strømmen af molekyler.
AlphaFold-mani: hvorfor er AI til at studere strukturen af proteiner blevet så populær?
Ifølge biologer er hele det videnskabelige samfundgreb AlphaFold-mani. AI er begyndt at blive brugt til en enorm mængde forskning. I nogle tilfælde hjalp algoritmen med at spare tid eller leverede nye data. Men kunstig intelligens har også begrænsninger: nogle videnskabsmænd finder dens forudsigelser for upålidelige til deres arbejde. Ikke desto mindre indrømmer alle, at algoritmen klarer databehandling bedre end nogen anden.
Selv algoritmeudviklerne selv gør det ikke altidhar tid til at finde ud af, hvilke andre områder det kan bruges til: så de ser ofte bare på, når teams af forskere gør nye opdagelser ved hjælp af AlphaFold: fra lægemiddelopdagelse og proteinudvikling til oprindelsen af komplekst liv.
I midten af juli 2021 i det offentlige domæneen open source AI-kode er dukket op, såvel som anden information, der vil hjælpe videnskabsmænd med at begynde at udføre sådan forskning som en del af deres arbejde. En uge senere meddelte DeepMind, at de havde brugt AlphaFold til at forudsige strukturen af næsten alle de proteiner, mennesker fremstiller. I alt studerede holdet 365.000 biologiske strukturer. I dag er denne database udvidet til næsten en million strukturer.
I 2022 planlægger DeepMind at udgivei alt mere end 100 millioner forudsigelser om organismers biologiske struktur. Dette er næsten halvdelen af alle kendte proteiner - også dette tal er hundredvis af gange højere end de proteiner, der kunne bestemmes eksperimentelt.
Værktøjet har allerede hjulpet forskere med at finde nytpotentielle proteinpartnere. Forskerne brugte AlphaFold til at forudsige strukturerne af 65.000 menneskelige proteinpar. Og en anden gruppe brugte AlphaFold og RoseTTAFold til at modellere interaktionerne mellem næsten alle par proteiner kodet af gær. Som et resultat fandt de mere end 100 hidtil ukendte nukleare porekomplekser.
Hvordan virker Alpha Fold?
AlphaFold bruger dybe neurale netværkLæring: Dette er en computerstruktur, der fungerer som den menneskelige hjerne og genkender mønstre i data. Algoritmen blev trænet ved hjælp af hundredtusindvis af proteinstrukturer, der blev bestemt eksperimentelt. Hvis AI'en støder på en ny sekvens, søger den først i databaser efter lignende tilfælde.
AlphaFold gennemgår hints og prøversimulere et 3D-billede af aminosyrer. Eksperter mener, at denne software med succes anvendte nye ideer til maskinlæring. De bemærker især en unik mekanisme kaldet "opmærksomhed" - den bestemmer, hvilke aminosyreforbindelser der er vigtigst for arbejdet på et givet tidspunkt.
Hvad er problemet med AlphaFold?
AlphaFold forudsigelser afhænger af information omrelaterede proteinsekvenser, så AI har nogle begrænsninger. For eksempel kan algoritmen ikke forudsige effekten af mutationer på formen af et protein, især dem, der forårsager sygdomme.
Den kan heller ikke registrere, hvordan proteiner ændrer sigform på grund af andre interagerende proteiner eller molekyler, såsom lægemidler. Men modellen kan evaluere tilliden til sin egen forudsigelse for hver aminosyreenhed i proteinet. Fra august 2022 rapporterer DeepMind, at mere end 400.000 mennesker har brugt AlphaFold EMBL-EBI-databaser.
Hvordan vil sådanne algoritmer hjælpe almindelige mennesker?
Forskere fra medicinal- og biotekvirksomheder er begejstrede for AlphaFolds potentiale og siger, at algoritmen hjælper med at opdage nye lægemidler.
Karen Akinsanya, udviklingslederudvikler terapi hos Schrödinger, bemærker, at hun og hendes kolleger har arbejdet med AlphaFold med resultater, der kan kaldes succesfulde. De var i stand til at udvikle forbindelser, der potentielt kunne blive lægemidler.
Læs mere:
MIT skaber en stationær varmemotor, der klarer sig bedre end turbiner
Efter ti års arbejde stillede forskerne spørgsmålstegn ved standardmodellen for fysik
Se hvordan solopgangen ser ud på Mars