Durch die Entwicklung von Modellen für maschinelles Lernen, die aus Datenbanken gesammelte Proteininformationen betrachten können
Wir haben uns alle gefragt, wie einfach der Prozess ist.wie Evolution könnte zu einem leistungsstarken Material wie Protein führen. Wir fanden heraus, dass Genomdaten eine Fülle von Informationen über die Grundregeln der Proteinstruktur und -funktion enthielten, und nun konnten wir die Regeln der Natur erstellen, um Proteine selbst zu erstellen.
Rama Ranganathan, Professor am Institut für Biochemie und Molekularbiologie, Pritzker Molecular Engineering
Proteine bestehen aus Hunderten oder Tausenden von Aminosäuren undDiese Aminosäuresequenzen bestimmen die Struktur und Funktion des Proteins. Es war jedoch nicht einfach herauszufinden, wie diese Sequenzen erstellt werden können, um neue Proteine zu erstellen. Frühere Arbeiten haben zu Methoden geführt, die die Struktur definieren können, aber die Funktion war schwer fassbar.
In den letzten 15 Jahren haben Ranganathan und seine Mitarbeitererkannte, dass Genomdatenbanken, die exponentiell wachsen, eine Fülle von Informationen über die Grundregeln der Proteinstruktur und -funktion enthalten. Seine Gruppe entwickelte mathematische Modelle basierend auf diesen Daten und begann dann, maschinelle Lerntechniken zu verwenden, um neue Informationen über die Grundregeln für das Proteindesign aufzudecken.
Für diese Studie studierten sie die FamilieStoffwechselenzyme Chorismat-Mutase, eine Art Protein, das für das Leben vieler Bakterien, Pilze und Pflanzen essentiell ist. Mithilfe von Modellen für maschinelles Lernen konnten die Forscher einfache Regeln für das Design dieser Proteine identifizieren.
Das Modell zeigt, dass nur in gespeichertAminosäurepositionen und Korrelationen in der Entwicklung von Aminosäurepaaren reichen aus, um neue künstliche Sequenzen vorherzusagen, die die Eigenschaften einer Proteinfamilie haben werden.
Wir gehen normalerweise davon aus, dass dies der Fall istUm etwas zu bauen, muss man zunächst genau verstehen, wie es funktioniert. Wenn Sie jedoch über genügend Beispieldaten verfügen, können Sie Deep-Learning-Techniken verwenden, um Designregeln zu erlernen, selbst wenn Sie verstehen, wie sie funktionieren oder warum sie so aufgebaut sind.
Rama Ranganathan, Professor in der Abteilung für Biochemie und Molekularbiologie, Pritzker Molecular Engineering
Dann schufen er und seine Mitarbeiter synthetischeGene, um Proteine zu kodieren, klonierten sie in Bakterien und beobachteten, wie die Bakterien synthetische Proteine unter Verwendung ihrer normalen zellulären Maschinerie produzierten. Sie fanden heraus, dass künstliche Proteine die gleiche katalytische Funktion haben wie natürlich vorkommende Chorismat-Mutase-Proteine.
Weil die Designregeln so einfach sind, ist die Menge an künstlichen Proteinen, die Forscher möglicherweise erzeugen können, enorm.
Obwohl künstliche Intelligenz die Regeln enthüllteDesign, Ranganathan und seine Mitarbeiter verstehen immer noch nicht ganz, warum Modelle funktionieren. Wissenschaftler werden daran arbeiten, zu verstehen, wie die Modelle zu diesem Zustand gekommen sind.
Gleichzeitig hoffen sie auch, dies zu nutzeneine Plattform für die Entwicklung von Proteinen, die drängende soziale Probleme wie den Klimawandel angehen können. Ranganathan und Assoc. Professor Andrew Ferguson gründete Evozyne, das diese Technologie in den Bereichen Energie, Umwelt, Katalyse und Landwirtschaft kommerzialisieren wird.
Lesen Sie auch
Schauen Sie sich die 3D-Karte des Universums an: Sie wurde 20 Jahre lang zusammengestellt und hat Wissenschaftler bereits überrascht
Es stellte sich heraus, dass das Coronavirus verhindert, dass Zellen es erkennen
In der Region Omsk haben Archäologen 12.000 Jahre alte Knochen und Waffen gefunden