Ikke bare mennesker kan forutsi en genetisk sykdom og lage en ny medisin, men også
Hvordan studerer biologer menneskelige proteiner?
I mer enn 10 år molekylærbiolog Martin Becksammen med kolleger prøvde å lage en detaljert modell av kjernefysiske porekomplekser. Beck kaller det den største molekylære maskinen i menneskelige celler. Det kjernefysiske porekomplekset kontrollerer strømmen av molekyler som strømmer inn og ut av cellekjernen til der genomet ligger. Hundrevis av slike komplekser finnes i alle celler. Hver av dem består av mer enn 1000 proteiner.
Disse tusenvis av stykker danner over 30 proteiner.byggeklosser som flettes sammen på forskjellige måter: så det er enda vanskeligere å jobbe med dem. I 2016 rapporterte et team ledet av Beck ved Max Planck Institute for Biophysics (MPIB) at de hadde laget en modell som beskriver omtrent 30 % av det kjernefysiske porekomplekset og nesten halvparten av byggesteinene, med andre ord Nup-proteiner.
Hvordan lærer algoritmer menneskelige proteiner?
I juli 2021 ble DeepMind, en del avAlphabet, morselskapet til Google, introduserte en AI kalt AlphaFold. Denne programvaren kan forutsi den tredimensjonale formen til proteiner fra deres genetiske sekvens. Beregningene ble utført med høy nøyaktighet. Dette har alvorlig endret oppgavene og interessene til biologer.
Ved å bruke AlphaFold var forskerne i stand til å forutsihva er formen til det menneskelige Nup-proteinet. Og senere publiserte de en modell som beskriver 60 % av det nukleære porekomplekset. Dette bidro til å forstå hvordan komplekset stabiliserer porene og kontrollerer flyten av molekyler.
AlphaFold-mani: hvorfor har AI for å studere strukturen til proteiner blitt så populær?
Ifølge biologer, hele det vitenskapelige samfunnetgrep AlphaFold-manien. AI har blitt brukt til en enorm mengde forskning. I noen tilfeller hjalp algoritmen med å spare tid eller ga nye data. Men AI har også begrensninger: noen forskere finner spådommene for upålitelige for arbeidet deres. Likevel innrømmer alle at algoritmen takler databehandling bedre enn noen andre.
Selv algoritmeutviklerne selv gjør det ikke alltidhar tid til å finne ut hvilke andre områder den kan brukes på: så de ser ofte bare på at team av forskere gjør nye oppdagelser ved hjelp av AlphaFold: fra legemiddeloppdagelse og proteinutvikling til opprinnelsen til komplekst liv.
I midten av juli 2021 i det offentlige domeneen åpen kildekode AI-kode har dukket opp, så vel som annen informasjon som vil hjelpe forskere å begynne å utføre slik forskning som en del av arbeidet deres. En uke senere kunngjorde DeepMind at de hadde brukt AlphaFold til å forutsi strukturen til nesten alle proteinene mennesker lager. Totalt studerte teamet 365 000 biologiske strukturer. I dag har denne databasen utvidet seg til nesten en million strukturer.
I 2022 planlegger DeepMind å gi uttotalt mer enn 100 millioner spådommer om den biologiske strukturen til organismer. Dette er nesten halvparten av alle kjente proteiner - også dette tallet er hundrevis av ganger høyere enn proteinene som kunne bestemmes eksperimentelt.
Verktøyet har allerede hjulpet forskere med å finne nyepotensielle proteinpartnere. Forskerne brukte AlphaFold til å forutsi strukturene til 65 000 menneskelige proteinpar. Og en annen gruppe brukte AlphaFold og RoseTTAFold for å modellere interaksjonene mellom nesten hvert par proteiner kodet av gjær. Som et resultat fant de mer enn 100 tidligere ukjente kjernefysiske porekomplekser.
Hvordan fungerer Alpha Fold?
AlphaFold bruker dype nevrale nettverkLæring: Dette er en datastruktur som fungerer som den menneskelige hjernen og gjenkjenner mønstre i data. Algoritmen ble trent ved hjelp av hundretusenvis av proteinstrukturer som ble bestemt eksperimentelt. Hvis AI støter på en ny sekvens, søker den først i databaser etter lignende tilfeller.
AlphaFold går gjennom hintene og prøversimulere et 3D-bilde av aminosyrer. Eksperter tror at denne programvaren har brukt nye ideer for maskinlæring. Spesielt noterer de seg en unik mekanisme som kalles "oppmerksomhet" - den bestemmer hvilke aminosyreforbindelser som er viktigst for arbeid i et gitt øyeblikk.
Hva er problemet med AlphaFold?
AlphaFold-spådommer avhenger av informasjon omrelaterte proteinsekvenser, så AI har noen begrensninger. Algoritmen kan for eksempel ikke forutsi effekten av mutasjoner på formen til et protein, spesielt de som forårsaker sykdommer.
Den kan heller ikke oppdage hvordan proteiner endresform på grunn av andre interagerende proteiner eller molekyler, for eksempel medikamenter. Men modellen kan evaluere tilliten til sin egen prediksjon for hver aminosyreenhet i proteinet. Fra august 2022 rapporterte DeepMind at mer enn 400 000 mennesker brukte AlphaFold EMBL-EBI-databaser.
Hvordan vil slike algoritmer hjelpe vanlige mennesker?
Forskere fra farmasøytiske og bioteknologiske firmaer er begeistret for AlphaFolds potensiale og sier at algoritmen hjelper til med å oppdage nye medisiner.
Karen Akinsanya, utviklingslederutvikler terapi hos Schrödinger, konstaterer at hun og hennes kolleger har jobbet med AlphaFold med resultater som kan kalles vellykkede. De var i stand til å utvikle forbindelser som potensielt kan bli medikamenter.
Les mer:
MIT lager en stasjonær varmemotor som utkonkurrerer turbiner
Etter ti års arbeid stilte forskere spørsmålstegn ved standardmodellen for fysikk
Se hvordan soloppgangen ser ut på Mars