Ne tikai cilvēki var paredzēt ģenētisku slimību un radīt jaunas zāles, bet arī
Kā biologi pēta cilvēka proteīnus?
Vairāk nekā 10 gadus molekulārais biologs Martins Bekskopā ar kolēģiem mēģināja izveidot detalizētu kodolporu kompleksu modeli. Beks to sauc par lielāko molekulāro mašīnu cilvēka šūnās. Kodolporu komplekss kontrolē molekulu plūsmu, kas ieplūst un izplūst no šūnas kodola uz vietu, kur atrodas genoms. Visās šūnās pastāv simtiem šādu kompleksu. Katrs no tiem sastāv no vairāk nekā 1000 olbaltumvielām.
Šie tūkstošiem gabalu veido vairāk nekā 30 proteīnu.celtniecības bloki, kas savijas dažādos veidos: tāpēc darbs ar tiem ir vēl grūtāks. 2016. gadā Max Planck Biofizikas institūta (MPIB) Beka vadītā komanda ziņoja, ka viņi ir izveidojuši modeli, kas apraksta aptuveni 30% no kodola poru kompleksa un gandrīz pusi no celtniecības blokiem, citiem vārdiem sakot, Nup proteīniem.
Kā algoritmi apgūst cilvēka proteīnus?
2021. gada jūlijā DeepMind, kas ir daļa no Google mātesuzņēmuma Alphabet, ieviesa AI ar nosaukumu AlphaFold.Šī programmatūra varētu paredzēt proteīnu trīsdimensiju formu no to ģenētiskās secības.Aprēķini tika veikti ar augstu precizitāti, kas nopietni mainīja biologu uzdevumus un intereses.
Izmantojot AlphaFold, zinātnieki varēja paredzētkāda ir cilvēka Nup proteīna forma. Un vēlāk viņi publicēja modeli, kas apraksta 60% no kodola poru kompleksa. Tas palīdzēja saprast, kā komplekss stabilizē poras un kontrolē molekulu plūsmu.
AlphaFold mānija: kāpēc AI proteīnu struktūras pētīšanai ir kļuvis tik populārs?
Pēc biologu domām, visa zinātnieku kopienasatvēra AlphaFold-mānija. AI ir izmantots milzīgiem pētījumiem. Dažos gadījumos algoritms palīdzēja ietaupīt laiku vai sniedza jaunus datus. Taču mākslīgajam intelektam ir arī ierobežojumi: daži zinātnieki uzskata, ka tā prognozes viņu darbam ir pārāk neuzticamas. Tomēr visi atzīst, ka algoritms labāk nekā jebkurš cits tiek galā ar datu apstrādi.
Pat paši algoritmu izstrādātāji ne vienmērir laiks izdomāt, kurās citās jomās to var izmantot: tāpēc viņi bieži vien vēro, kā pētnieku komandas, izmantojot AlphaFold, atklāj jaunus atklājumus: no zāļu atklāšanas un olbaltumvielu izstrādes līdz sarežģītas dzīvības izcelsmei.
2021. gada jūlija vidū publiskajā telpāir parādījies atvērtā pirmkoda AI kods, kā arī cita informācija, kas palīdzēs zinātniekiem sava darba ietvaros sākt veikt šādus pētījumus. Nedēļu vēlāk DeepMind paziņoja, ka ir izmantojis AlphaFold, lai prognozētu gandrīz visu cilvēku radīto proteīnu struktūru. Kopumā komanda pētīja 365 000 bioloģisko struktūru. Mūsdienās šī datubāze ir paplašinājusies līdz gandrīz miljonam struktūru.
В 2022 году компания DeepMind планирует выпустить kopumā vairāk nekā 100 miljoni prognožu par organismu bioloģisko uzbūvi. Tā ir gandrīz puse no visiem zināmajiem proteīniem – arī šis skaitlis ir simtiem reižu lielāks nekā eksperimentāli nosakāmās olbaltumvielas.
Šis rīks jau ir palīdzējis pētniekiem atrast jaunupotenciālie olbaltumvielu partneri. Zinātnieki izmantoja AlphaFold, lai prognozētu 65 000 cilvēka proteīnu pāru struktūras. Un cita grupa izmantoja AlphaFold un RoseTTAFold, lai modelētu mijiedarbību starp gandrīz visiem proteīnu pāriem, ko kodē raugs. Rezultātā viņi atrada vairāk nekā 100 iepriekš nezināmu kodolporu kompleksu.
Kā darbojas Alpha Fold?
AlphaFold izmanto dziļus neironu tīklusMācīšanās: šī ir skaitļošanas struktūra, kas darbojas kā cilvēka smadzenes un atpazīst datu modeļus. Algoritms tika apmācīts, izmantojot simtiem tūkstošu proteīnu struktūru, kas tika noteiktas eksperimentāli. Ja mākslīgais intelekts saskaras ar jaunu secību, tas vispirms meklē līdzīgu gadījumu datu bāzēs.
AlphaFold ciklu cauri mājieniem, mēģinotsimulēt aminoskābju 3D attēlu. Eksperti uzskata, ka šī programmatūra veiksmīgi izmantoja jaunas idejas mašīnmācībai. Jo īpaši viņi atzīmē unikālu mehānismu, ko sauc par "uzmanību" - tas nosaka, kuri aminoskābju savienojumi konkrētajā brīdī ir vissvarīgākie darbam.
Kāda ir AlphaFold problēma?
AlphaFold prognozes ir atkarīgas no informācijas parsaistītās olbaltumvielu sekvences, tāpēc AI ir daži ierobežojumi. Piemēram, algoritms nevar paredzēt mutāciju ietekmi uz proteīna formu, jo īpaši tām, kas izraisa slimības.
Tas arī nevar noteikt, kā mainās proteīnicitu mijiedarbojošu proteīnu vai molekulu, piemēram, zāļu, dēļ. Bet modelis var novērtēt savas prognozes ticamību katrai proteīna aminoskābes vienībai. 2022. gada augustā DeepMind ziņo, ka AlphaFold EMBL-EBI datu bāzes ir izmantojuši vairāk nekā 400 000 cilvēku.
Kā šādi algoritmi palīdzēs parastajiem cilvēkiem?
Pētnieki no farmācijas un biotehnoloģiju firmām ir sajūsmā par AlphaFold potenciālu un saka, ka algoritms palīdz atklāt jaunas zāles.
Kārena Akinsanya, attīstības vadītājaizstrādājot terapiju Schrödinger, atzīmē, ka viņa un viņas kolēģi ir strādājuši ar AlphaFold ar rezultātiem, ko var saukt par veiksmīgiem. Viņi spēja izstrādāt savienojumus, kas potenciāli varētu kļūt par zālēm.
Lasīt vairāk:
MIT izveido stacionāru siltumdzinēju, kas pārspēj turbīnas
Pēc desmit gadu darba zinātnieki apšaubīja fizikas standarta modeli
Skatiet, kā saullēkts izskatās uz Marsa