Opracowując modele uczenia maszynowego, które mogą analizować informacje o białkach zebrane z baz danych
Wszyscy zastanawialiśmy się, jak łatwy jest ten proces,takie jak ewolucja może doprowadzić do powstania materiału o wysokiej wydajności, takiego jak białko. Odkryliśmy, że dane genomu zawierają bogactwo informacji na temat podstawowych zasad budowy i funkcji białek, a teraz byliśmy w stanie stworzyć zasady natury, aby sami tworzyć białka.
Rama Ranganathan, profesor na Wydziale Biochemii i Biologii Molekularnej, Pritzker Molecular Engineering
Białka składają się z setek lub tysięcy aminokwasów ite sekwencje aminokwasowe określają strukturę i funkcję białka. Ale ustalenie, jak stworzyć te sekwencje, aby stworzyć nowe białka, nie było łatwe. Wcześniejsze prace doprowadziły do metod, które mogą zdefiniować strukturę, ale funkcja była bardziej nieuchwytna.
W ciągu ostatnich 15 lat Ranganathan i jego pracownicyzdali sobie sprawę, że bazy danych genomu, które rosną wykładniczo, zawierają bogactwo informacji o podstawowych zasadach budowy i funkcji białek. Jego zespół opracował modele matematyczne na podstawie tych danych, a następnie zaczął wykorzystywać techniki uczenia maszynowego do odkrywania nowych informacji o podstawowych zasadach projektowania białek.
Na potrzeby tego badania badali rodzinęenzymy metaboliczne mutaza choryzmianowa, rodzaj białka niezbędnego do życia wielu bakterii, grzybów i roślin. Korzystając z modeli uczenia maszynowego, naukowcy byli w stanie zidentyfikować proste zasady projektowania tych białek.
Model pokazuje, że tylko zapisywanie wPozycje aminokwasów i korelacje w ewolucji par aminokwasów są wystarczające do przewidywania nowych sztucznych sekwencji, które będą miały właściwości rodziny białek.
Zwykle zakładamy, że abyAby coś zbudować, musisz najpierw głęboko zrozumieć, jak to działa. Jeśli jednak masz wystarczającą ilość przykładowych danych, możesz zastosować techniki głębokiego uczenia się, aby poznać zasady projektowania, nawet jeśli rozumiesz, jak to działa i dlaczego jest tak zbudowane.
Rama Ranganathan, profesor na Wydziale Biochemii i Biologii Molekularnej, Inżynieria Molekularna Pritzkera
Potem on i jego sztab stworzyli syntetycznygeny kodujące białka, sklonowały je do bakterii i obserwowały, jak bakterie wytwarzają następnie syntetyczne białka przy użyciu ich normalnej maszynerii komórkowej. Odkryli, że sztuczne białka pełnią tę samą funkcję katalityczną, co naturalnie występujące białka mutazy charyzmatowej.
Ponieważ zasady projektowania są tak proste, ilość sztucznych białek, które mogą potencjalnie stworzyć naukowcy, jest ogromna.
Chociaż sztuczna inteligencja ujawniła zasadyprojekt, Ranganathan i jego pracownicy nadal nie do końca rozumieją, dlaczego modele działają. Naukowcy będą pracować nad zrozumieniem, w jaki sposób modele doszły do tego stanu.
Jednocześnie mają też nadzieję, że to wykorzystająplatforma do opracowywania białek, które mogą rozwiązać pilne problemy społeczne, takie jak zmiana klimatu. Ranganathan i doc. Profesor Andrew Ferguson założył firmę Evozyne, która skomercjalizuje tę technologię w energetyce, środowisku, katalizie i rolnictwie.
Czytaj także
Spójrz na trójwymiarową mapę Wszechświata: była tworzona przez 20 lat i już zaskoczyła naukowców
Okazuje się, że koronawirus uniemożliwia rozpoznanie go przez komórki
W regionie Omsk archeolodzy znaleźli kości i broń sprzed 12 tysięcy lat