Niet alleen mensen kunnen een genetische ziekte voorspellen en een nieuw medicijn creëren, maar ook
Hoe bestuderen biologen menselijke eiwitten?
Al meer dan 10 jaar moleculair bioloog Martin Becksamen met collega's probeerden ze een gedetailleerd model te maken van kernporiëncomplexen. Beck noemt het de grootste moleculaire machine in menselijke cellen. Het kernporiecomplex regelt de stroom van moleculen die in en uit de celkern stromen naar waar het genoom zich bevindt. Honderden van dergelijke complexen bestaan in alle cellen. Elk van hen bestaat uit meer dan 1.000 eiwitten.
Deze duizenden stukjes vormen samen meer dan 30 eiwitten.bouwstenen die op verschillende manieren met elkaar verweven zijn: ermee werken is dus nog moeilijker. In 2016 meldde een team onder leiding van Beck van het Max Planck Institute for Biophysics (MPIB) dat ze een model hadden gemaakt dat ongeveer 30% van het nucleaire poriecomplex en bijna de helft van de bouwstenen beschrijft, met andere woorden, Nup-eiwitten.
Hoe leren algoritmen menselijke eiwitten?
In juli 2021 werd DeepMind, onderdeel vanAlphabet, het moederbedrijf van Google, introduceerde een AI genaamd AlphaFold. Deze software zou de driedimensionale vorm van eiwitten kunnen voorspellen op basis van hun genetische sequentie. De berekeningen zijn met hoge nauwkeurigheid uitgevoerd. Dit heeft de taken en belangen van biologen ernstig veranderd.
Met AlphaFold konden wetenschappers voorspellenwat is de vorm van het menselijke Nup-eiwit. En later publiceerden ze een model dat 60% van het kernporiëncomplex beschrijft. Dit hielp om te begrijpen hoe het complex de poriën stabiliseert en de stroom van moleculen regelt.
AlphaFold-manie: waarom is AI voor het bestuderen van de structuur van eiwitten zo populair geworden?
Volgens biologen heeft de hele wetenschappelijke gemeenschapgreep AlphaFold-manie. AI is gebruikt voor een enorme hoeveelheid onderzoek. In sommige gevallen hielp het algoritme tijd te besparen of nieuwe gegevens op te leveren. Maar AI heeft ook beperkingen: sommige wetenschappers vinden zijn voorspellingen te onbetrouwbaar voor hun werk. Toch geeft iedereen toe dat het algoritme beter omgaat met gegevensverwerking dan wie dan ook.
Zelfs de algoritme-ontwikkelaars zelf doen dat niet altijdhebben tijd om uit te zoeken op welke andere gebieden het kan worden gebruikt: dus kijken ze vaak alleen maar toe hoe teams van onderzoekers nieuwe ontdekkingen doen met behulp van AlphaFold: van de ontdekking van medicijnen en de ontwikkeling van eiwitten tot de oorsprong van complex leven.
Midden juli 2021 in het publieke domeiner is een open source AI-code verschenen, evenals andere informatie die wetenschappers zal helpen om dergelijk onderzoek als onderdeel van hun werk uit te voeren. Een week later maakte DeepMind bekend dat het AlphaFold had gebruikt om de structuur van bijna alle eiwitten die mensen maken te voorspellen. In totaal bestudeerde het team 365.000 biologische structuren. Tegenwoordig is deze database uitgebreid tot bijna een miljoen structuren.
In 2022 is DeepMind van plan om het uit te brengenin totaal meer dan 100 miljoen voorspellingen over de biologische structuur van organismen. Dit is bijna de helft van alle bekende eiwitten; dit aantal is bovendien honderden keren hoger dan de eiwitten die experimenteel konden worden bepaald.
De tool heeft onderzoekers al geholpen bij het vinden van nieuwepotentiële eiwitpartners. De wetenschappers gebruikten AlphaFold om de structuren van 65.000 menselijke eiwitparen te voorspellen. En een andere groep gebruikte AlphaFold en RoseTTAFold om de interacties te modelleren tussen bijna elk paar eiwitten dat door gist wordt gecodeerd. Als resultaat vonden ze meer dan 100 voorheen onbekende nucleaire poriecomplexen.
Hoe werkt Alpha Fold?
AlphaFold maakt gebruik van diepe neurale netwerkenLeren: Dit is een computerstructuur die werkt als het menselijk brein en patronen in gegevens herkent. Het algoritme werd getraind met behulp van honderdduizenden eiwitstructuren die experimenteel werden bepaald. Als de AI een nieuwe reeks tegenkomt, doorzoekt hij eerst databases naar soortgelijke gevallen.
AlphaFold bladert door de hints en probeert hetsimuleer een 3D-beeld van aminozuren. Experts zijn van mening dat deze software met succes nieuwe ideeën voor machinaal leren heeft toegepast. Ze merken in het bijzonder een uniek mechanisme op dat 'aandacht' wordt genoemd: het bepaalt welke aminozuurverbindingen op een bepaald moment het belangrijkst zijn voor werk.
Wat is het probleem met AlphaFold?
AlphaFold-voorspellingen zijn afhankelijk van informatie over:verwante eiwitsequenties, dus AI heeft enkele beperkingen. Het algoritme kan bijvoorbeeld niet voorspellen wat het effect is van mutaties op de vorm van een eiwit, met name die welke ziekten veroorzaken.
Het kan ook niet detecteren hoe eiwitten veranderenvorm door andere op elkaar inwerkende eiwitten of moleculen, zoals medicijnen. Maar het model kan de betrouwbaarheid van zijn eigen voorspelling voor elke aminozuureenheid van het eiwit evalueren. Vanaf augustus 2022 meldde DeepMind dat meer dan 400.000 mensen AlphaFold EMBL-EBI-databases gebruikten.
Hoe zullen zulke algoritmen gewone mensen helpen?
Onderzoekers van farmaceutische en biotechbedrijven zijn enthousiast over het potentieel van AlphaFold en zeggen dat het algoritme helpt nieuwe medicijnen te ontdekken.
Karen Akinsanya, ontwikkelingsleiderdie bij Schrödinger therapieën ontwikkelt, merkt op dat zij en haar collega's met AlphaFold hebben gewerkt met resultaten die succesvol genoemd kunnen worden. Ze waren in staat om verbindingen te ontwikkelen die mogelijk medicijnen zouden kunnen worden.
Lees verder:
MIT creëert een stationaire warmtemotor die beter presteert dan turbines
Na tien jaar werk zetten wetenschappers vraagtekens bij het standaardmodel van de natuurkunde
Zie hoe zonsopgang eruit ziet op Mars