Inte bara människor kan förutsäga en genetisk sjukdom och skapa en ny medicin, utan också
Hur studerar biologer mänskliga proteiner?
I mer än 10 år molekylärbiolog Martin Becktillsammans med kollegor försökte skapa en detaljerad modell av kärn-porkomplex. Beck kallar det den största molekylära maskinen i mänskliga celler. Kärnporkomplexet styr flödet av molekyler som flödar in och ut ur cellkärnan till där genomet finns. Hundratals sådana komplex finns i alla celler. Var och en av dem består av mer än 1 000 proteiner.
Dessa tusentals bitar bildar över 30 proteiner.byggstenar som flätas samman på olika sätt: så att arbeta med dem är ännu svårare. 2016 rapporterade ett team ledd av Beck vid Max Planck Institute for Biophysics (MPIB) att de hade skapat en modell som beskriver cirka 30 % av kärnporkomplexet och nästan hälften av byggstenarna, med andra ord Nup-proteiner.
Hur lär sig algoritmer mänskliga proteiner?
I juli 2021, DeepMind, en del avAlphabet, moderbolaget till Google, introducerade en AI som heter AlphaFold. Denna programvara kan förutsäga den tredimensionella formen av proteiner från deras genetiska sekvens. Beräkningarna utfördes med hög noggrannhet. Detta har på allvar förändrat biologernas uppgifter och intressen.
Med hjälp av AlphaFold kunde forskarna förutsägavad är formen på det mänskliga Nup-proteinet. Och senare publicerade de en modell som beskriver 60% av kärnporkomplexet. Detta hjälpte till att förstå hur komplexet stabiliserar porer och kontrollerar flödet av molekyler.
AlphaFold-mani: varför har AI för att studera proteiners struktur blivit så populärt?
Enligt biologer, hela forskarsamhälletgrep AlphaFold-mani. AI har använts för en enorm mängd forskning. I vissa fall hjälpte algoritmen till att spara tid eller gav nya data. Men AI har också begränsningar: vissa forskare tycker att dess förutsägelser är för opålitliga för sitt arbete. Trots det erkänner alla att algoritmen klarar databehandling bättre än någon annan.
Även algoritmutvecklarna själva gör det inte alltidhar tid att ta reda på vilka andra områden det kan användas inom: så de tittar ofta bara på när team av forskare gör nya upptäckter med hjälp av AlphaFold: från läkemedelsupptäckt och proteinutveckling till uppkomsten av komplext liv.
I mitten av juli 2021 i det offentliga områdeten AI-kod med öppen källkod har dykt upp, liksom annan information som kommer att hjälpa forskare att börja bedriva sådan forskning som en del av deras arbete. En vecka senare meddelade DeepMind att de hade använt AlphaFold för att förutsäga strukturen hos nästan alla proteiner som människor gör. Totalt studerade teamet 365 000 biologiska strukturer. Idag har denna databas utökats till nästan en miljon strukturer.
2022 planerar DeepMind att släppatotalt mer än 100 miljoner förutsägelser om organismers biologiska struktur. Detta är nästan hälften av alla kända proteiner - även detta antal är hundratals gånger högre än de proteiner som kunde bestämmas experimentellt.
Verktyget har redan hjälpt forskare att hitta nyapotentiella proteinpartners. Forskarna använde AlphaFold för att förutsäga strukturerna hos 65 000 mänskliga proteinpar. Och en annan grupp använde AlphaFold och RoseTTAFold för att modellera interaktionerna mellan nästan varje par av proteiner som kodas av jäst. Som ett resultat hittade de mer än 100 tidigare okända kärnporkomplex.
Hur fungerar Alpha Fold?
AlphaFold använder djupa neurala nätverkLärande: Detta är en datorstruktur som fungerar som den mänskliga hjärnan och känner igen mönster i data. Algoritmen tränades med hjälp av hundratusentals proteinstrukturer som bestämdes experimentellt. Om AI:n stöter på en ny sekvens söker den först i databaser efter liknande fall.
AlphaFold går igenom tipsen och försökersimulera en 3D-bild av aminosyror. Experter tror att denna programvara framgångsrikt tillämpade nya idéer för maskininlärning. I synnerhet noterar de en unik mekanism som kallas "uppmärksamhet" - den bestämmer vilka aminosyraföreningar som är viktigast för arbete vid ett givet ögonblick.
Vad är problemet med AlphaFold?
AlphaFold-förutsägelser beror på information omrelaterade proteinsekvenser, så AI har vissa begränsningar. Algoritmen kan till exempel inte förutsäga effekten av mutationer på formen av ett protein, i synnerhet de som orsakar sjukdomar.
Den kan inte heller upptäcka hur proteiner förändrasform på grund av andra interagerande proteiner eller molekyler, såsom läkemedel. Men modellen kan utvärdera förtroendet för sin egen förutsägelse för varje aminosyraenhet i proteinet. I augusti 2022 rapporterade DeepMind att mer än 400 000 personer använde AlphaFold EMBL-EBI-databaser.
Hur kommer sådana algoritmer att hjälpa vanliga människor?
Forskare från läkemedels- och bioteknikföretag är entusiastiska över AlphaFolds potential och säger att algoritmen hjälper till att upptäcka nya läkemedel.
Karen Akinsanya, utvecklingsledareutvecklar terapi på Schrödinger, konstaterar att hon och hennes kollegor har arbetat med AlphaFold med resultat som kan kallas framgångsrika. De kunde utveckla föreningar som potentiellt skulle kunna bli droger.
Läs mer:
MIT skapar en stationär värmemotor som överträffar turbiner
Efter tio års arbete ifrågasatte forskare fysikstandardmodellen
Se hur soluppgången ser ut på Mars