Με την ανάπτυξη μοντέλων μηχανικής μάθησης που μπορούν να εξετάσουν τις πληροφορίες πρωτεΐνης που συλλέγονται από βάσεις δεδομένων
Αναρωτηθήκαμε όλοι πόσο εύκολη είναι η διαδικασία,όπως η εξέλιξη, θα μπορούσε να οδηγήσει σε υλικό υψηλής απόδοσης όπως η πρωτεΐνη. Διαπιστώσαμε ότι τα δεδομένα γονιδιώματος περιείχαν πληθώρα πληροφοριών σχετικά με τους βασικούς κανόνες της δομής και της λειτουργίας των πρωτεϊνών, και τώρα καταφέραμε να δημιουργήσουμε τους κανόνες της φύσης για να δημιουργήσουμε οι ίδιοι πρωτεΐνες.
Rama Ranganathan, Καθηγητής στο Τμήμα Βιοχημείας και Μοριακής Βιολογίας, Pritzker Molecular Engineering
Οι πρωτεΐνες αποτελούνται από εκατοντάδες ή χιλιάδες αμινοξέα, καιΑυτές οι αλληλουχίες αμινοξέων καθορίζουν τη δομή και τη λειτουργία της πρωτεΐνης. Αλλά δεν ήταν εύκολο να καταλάβεις πώς να δημιουργήσεις αυτές τις αλληλουχίες για να δημιουργήσεις νέες πρωτεΐνες. Η προηγούμενη εργασία οδήγησε σε μεθόδους που μπορούν να καθορίσουν τη δομή, αλλά το χαρακτηριστικό ήταν πιο αόριστο.
Τα τελευταία 15 χρόνια, ο Ranganathan και το προσωπικό τουσυνειδητοποίησε ότι οι βάσεις δεδομένων γονιδιώματος, οι οποίες αναπτύσσονται εκθετικά, περιέχουν πληθώρα πληροφοριών σχετικά με τους βασικούς κανόνες της δομής και της λειτουργίας των πρωτεϊνών. Η ομάδα του ανέπτυξε μαθηματικά μοντέλα με βάση αυτά τα δεδομένα και στη συνέχεια άρχισε να χρησιμοποιεί τεχνικές μηχανικής μάθησης για να αποκαλύψει νέες πληροφορίες σχετικά με τους βασικούς κανόνες για το σχεδιασμό πρωτεϊνών.
Για αυτήν τη μελέτη, μελέτησαν την οικογένειαμεταβολικά ένζυμα χοριστική μετατάση, ένας τύπος πρωτεΐνης που είναι απαραίτητος για τη ζωή πολλών βακτηρίων, μυκήτων και φυτών. Χρησιμοποιώντας μοντέλα μηχανικής μάθησης, οι ερευνητές μπόρεσαν να εντοπίσουν απλούς κανόνες για το σχεδιασμό αυτών των πρωτεϊνών.
Το μοντέλο δείχνει ότι εξοικονομείτε μόνοΟι θέσεις και οι συσχετισμοί αμινοξέων στην εξέλιξη των ζευγών αμινοξέων αρκούν για να προβλέψουν νέες τεχνητές αλληλουχίες που θα έχουν τις ιδιότητες μιας πρωτεΐνης οικογένειας.
Συνήθως υποθέτουμε ότι για ναΓια να φτιάξετε κάτι, πρέπει πρώτα να κατανοήσετε σε βάθος πώς λειτουργεί. Αλλά αν έχετε αρκετά παραδείγματα δεδομένων, μπορείτε να χρησιμοποιήσετε τεχνικές βαθιάς εκμάθησης για να μάθετε κανόνες σχεδίασης, ακόμα κι αν καταλαβαίνετε πώς λειτουργεί ή γιατί έχει κατασκευαστεί με αυτόν τον τρόπο.
Rama Ranganathan, Καθηγητής στο Τμήμα Βιοχημείας και Μοριακής Βιολογίας, Pritzker Molecular Engineering
Τότε αυτός και οι συνεργάτες του δημιούργησαν συνθετικάγονίδια που κωδικοποιούν πρωτεΐνες, τις κλωνοποίησαν σε βακτήρια και παρακολούθησαν τα βακτήρια στη συνέχεια να παράγουν συνθετικές πρωτεΐνες χρησιμοποιώντας τα κανονικά κυτταρικά μηχανήματά τους. Διαπίστωσαν ότι οι τεχνητές πρωτεΐνες έχουν την ίδια καταλυτική λειτουργία με τις φυσικές πρωτεΐνες χοριστικής μετατάσης.
Επειδή οι κανόνες σχεδιασμού είναι τόσο απλοί, η ποσότητα των τεχνητών πρωτεϊνών που μπορούν να δημιουργήσουν οι ερευνητές είναι τεράστια.
Αν και η τεχνητή νοημοσύνη αποκάλυψε τους κανόνεςσχεδιασμός, ο Ranganathan και το προσωπικό του δεν καταλαβαίνουν ακόμη πλήρως γιατί λειτουργούν τα μοντέλα. Οι επιστήμονες θα εργαστούν για να καταλάβουν πώς τα μοντέλα έφτασαν σε αυτήν την κατάσταση.
Ταυτόχρονα, ελπίζουν επίσης να το χρησιμοποιήσουνμια πλατφόρμα για την ανάπτυξη πρωτεϊνών που μπορούν να αντιμετωπίσουν τα πιεστικά κοινωνικά προβλήματα όπως η κλιματική αλλαγή. Ranganathan και Assoc. Ο καθηγητής Andrew Ferguson ίδρυσε την Evozyne, η οποία θα εμπορευματοποιήσει αυτήν την τεχνολογία σε ενέργεια, περιβάλλον, κατάλυση και γεωργία.
Διαβάστε επίσης
Κοιτάξτε τον τρισδιάστατο χάρτη του Σύμπαντος: καταρτίστηκε για 20 χρόνια και έχει ήδη εκπλήξει τους επιστήμονες
Αποδεικνύεται ότι ο κοροναϊός εμποδίζει τα κύτταρα να το αναγνωρίσουν
Στην περιοχή του Ομσκ, οι αρχαιολόγοι έχουν βρει οστά και όπλα ηλικίας 12 χιλιάδων ετών