Nielen ľudia môžu predpovedať genetické ochorenie a vytvoriť nový liek, ale aj
Ako biológovia študujú ľudské bielkoviny?
Už viac ako 10 rokov molekulárny biológ Martin Becksa spolu s kolegami pokúsili vytvoriť detailný model jadrovo-pórových komplexov. Beck ho nazýva najväčším molekulárnym strojom v ľudských bunkách. Komplex jadrových pórov riadi tok molekúl, ktoré prúdia dovnútra a von z bunkového jadra do miesta, kde sídli genóm. Vo všetkých bunkách existujú stovky takýchto komplexov. Každý z nich pozostáva z viac ako 1000 bielkovín.
Tieto tisíce kúskov tvoria viac ako 30 bielkovín.stavebné bloky, ktoré sa prelínajú rôznymi spôsobmi: takže práca s nimi je ešte náročnejšia. V roku 2016 tím vedený Beckom z Inštitútu pre biofyziku Maxa Plancka (MPIB) oznámil, že vytvoril model, ktorý popisuje asi 30 % komplexu jadrových pórov a takmer polovicu stavebných blokov, inými slovami, proteíny Nup.
Ako sa algoritmy učia ľudské proteíny?
V júli 2021 DeepMind, súčasťAlphabet, materská spoločnosť Google, predstavila AI s názvom AlphaFold. Tento softvér by mohol predpovedať trojrozmerný tvar proteínov z ich genetickej sekvencie. Výpočty boli vykonané s vysokou presnosťou. To vážne zmenilo úlohy a záujmy biológov.
Pomocou AlphaFold boli vedci schopní predpovedaťaký je tvar ľudského proteínu Nup. A neskôr zverejnili model, ktorý popisuje 60 % komplexu jadrových pórov. To pomohlo pochopiť, ako komplex stabilizuje póry a riadi tok molekúl.
AlphaFold mánia: prečo sa AI na štúdium štruktúry proteínov stala tak populárnou?
Podľa biológov celá vedecká komunitachytil AlphaFold-mánia. Umelá inteligencia sa využíva na veľké množstvo výskumov. V niektorých prípadoch algoritmus pomohol ušetriť čas alebo poskytol nové údaje. Ale AI má tiež obmedzenia: niektorí vedci považujú jej predpovede za príliš nespoľahlivé pre ich prácu. Každý však pripúšťa, že algoritmus zvláda spracovanie údajov lepšie ako ktokoľvek iný.
Dokonca aj samotní vývojári algoritmov nie vždymajú čas prísť na to, v akých ďalších oblastiach sa dá použiť: takže často len sledujú, ako tímy výskumníkov robia nové objavy pomocou AlphaFold: od objavovania liekov a vývoja bielkovín až po vznik komplexného života.
V polovici júla 2021 vo verejnej doméneobjavil sa kód AI s otvoreným zdrojovým kódom, ako aj ďalšie informácie, ktoré vedcom pomôžu začať takýto výskum vykonávať ako súčasť svojej práce. O týždeň neskôr DeepMind oznámil, že použil AlphaFold na predpovedanie štruktúry takmer všetkých proteínov, ktoré ľudia tvoria. Celkovo tím študoval 365 000 biologických štruktúr. Dnes sa táto databáza rozšírila na takmer milión štruktúr.
V roku 2022 plánuje DeepMind vydaťcelkovo viac ako 100 miliónov predpovedí o biologickej štruktúre organizmov. To je takmer polovica všetkých známych proteínov - aj toto číslo je stokrát vyššie ako proteíny, ktoré sa dali určiť experimentálne.
Tento nástroj už pomohol výskumníkom nájsť novépotenciálnych proteínových partnerov. Vedci použili AlphaFold na predpovedanie štruktúr 65 000 ľudských proteínových párov. A ďalšia skupina použila AlphaFold a RoseTTAFold na modelovanie interakcií medzi takmer každým párom proteínov kódovaných kvasinkami. Výsledkom bolo, že našli viac ako 100 doteraz neznámych komplexov jadrových pórov.
Ako Alpha Fold funguje?
AlphaFold využíva hlboké neurónové sieteUčenie: Ide o výpočtovú štruktúru, ktorá funguje ako ľudský mozog a rozpoznáva vzory v údajoch. Algoritmus bol trénovaný pomocou stoviek tisíc proteínových štruktúr, ktoré boli určené experimentálne. Ak AI narazí na novú sekvenciu, najskôr vyhľadá v databázach podobné prípady.
AlphaFold cyklicky prechádza radami a skúšasimulovať 3D obraz aminokyselín. Odborníci sa domnievajú, že tento softvér úspešne aplikoval nové nápady pre strojové učenie. Najmä si všímajú jedinečný mechanizmus nazývaný „pozornosť“ - určuje, ktoré aminokyselinové zlúčeniny sú v danom momente najdôležitejšie pre prácu.
Aký je problém s AlphaFold?
Predpovede AlphaFold závisia od informácií opríbuzné proteínové sekvencie, takže AI má určité obmedzenia. Algoritmus napríklad nedokáže predpovedať vplyv mutácií na tvar proteínu, najmä tých, ktoré spôsobujú choroby.
Tiež nedokáže zistiť, ako sa proteíny meniatvar v dôsledku iných interagujúcich proteínov alebo molekúl, ako sú lieky. Ale model môže vyhodnotiť spoľahlivosť svojej vlastnej predpovede pre každú aminokyselinovú jednotku proteínu. Od augusta 2022 DeepMind uvádza, že databázy AlphaFold EMBL-EBI použilo viac ako 400 000 ľudí.
Ako takéto algoritmy pomôžu bežným ľuďom?
Výskumníci z farmaceutických a biotechnologických firiem sú nadšení potenciálom AlphaFold a tvrdia, že tento algoritmus pomáha objavovať nové lieky.
Karen Akinsanya, vedúca rozvojavývoj terapeutík v Schrödinger, poznamenáva, že ona a jej kolegovia spolupracovali s AlphaFold s výsledkami, ktoré možno nazvať úspešnými. Dokázali vyvinúť zlúčeniny, ktoré by sa potenciálne mohli stať liekmi.
Čítaj viac:
MIT vytvára stacionárny tepelný motor, ktorý prekonáva turbíny
Po desiatich rokoch práce vedci spochybnili štandardný model fyziky
Pozrite sa, ako vyzerá východ slnka na Marse