Genom att utveckla maskininlärningsmodeller som kan titta på proteininformation som samlas in från databaser
Vi undrade alla hur lätt processen är,såsom evolution, kan leda till ett högpresterande material som protein. Vi fann att genomdata innehöll en mängd information om de grundläggande reglerna för proteinstruktur och funktion, och nu kunde vi skapa naturens regler för att skapa proteiner själva.
Rama Ranganathan, professor vid Institutionen för biokemi och molekylärbiologi, Pritzker molekylär teknik
Proteiner består av hundratals eller tusentals aminosyror, ochdessa aminosyrasekvenser bestämmer proteinets struktur och funktion. Men att räkna ut hur man skapar dessa sekvenser för att skapa nya proteiner har inte varit lätt. Tidigare arbete har lett till metoder som kan definiera struktur, men funktionen var mer svårfångad.
Under de senaste 15 åren, Ranganathan och hans personalinsåg att genomdatabaser, som växer exponentiellt, innehåller en mängd information om de grundläggande reglerna för proteinstruktur och funktion. Hans team utvecklade matematiska modeller baserat på dessa data och började sedan använda maskininlärningstekniker för att avslöja ny information om de grundläggande reglerna för proteindesign.
För denna studie studerade de familjenmetaboliska enzymer chorismate mutase, en typ av protein som är avgörande för många bakterier, svampar och växter. Med hjälp av maskininlärningsmodeller kunde forskarna identifiera enkla regler för att utforma dessa proteiner.
Modellen visar att bara spara inaminosyrapositioner och korrelationer i utvecklingen av aminosyrapar är tillräckliga för att förutsäga nya artificiella sekvenser som kommer att ha egenskaperna hos en proteinfamilj.
Vi brukar anta att för attFör att bygga något måste du först förstå hur det fungerar. Men om du har tillräckligt med exempeldata kan du använda djupinlärningstekniker för att lära dig designregler även om du förstår hur det fungerar eller varför det är byggt på det sättet.
Rama Ranganathan, professor vid institutionen för biokemi och molekylärbiologi, Pritzker Molecular Engineering
Då skapade han och hans personal syntetgener för att koda proteiner, klonade dem till bakterier och såg på bakterierna sedan producera syntetiska proteiner med deras normala cellulära maskiner. De fann att konstgjorda proteiner har samma katalytiska funktion som naturliga chorismatmutasproteiner.
Eftersom designreglerna är så enkla är antalet konstgjorda proteiner som forskare potentiellt kan skapa enormt.
Även om konstgjord intelligens avslöjade reglernadesign, Ranganathan och hans personal förstår fortfarande inte helt varför modeller fungerar. Forskare kommer att arbeta för att förstå hur modellerna kom till detta tillstånd.
Samtidigt hoppas de också kunna använda dettaen plattform för att utveckla proteiner som kan hantera pressande sociala frågor som klimatförändringar. Ranganathan och Assoc. Professor Andrew Ferguson grundade Evozyne, som kommer att kommersialisera denna teknik inom energi, miljö, katalys och jordbruk.
Läs också
Titta på 3D-kartan över universum: den sammanställdes i 20 år och den har redan förvånat forskare
Det visar sig att coronavirus förhindrar celler från att känna igen det
I Omsk-regionen har arkeologer hittat ben och vapen som är 12 tusen år gamla