Передбачити генетичне захворювання та створити нові ліки може не тільки людина, але ще й
Як біологи вивчають людські білки?
Понад 10 років молекулярний біолог Мартін Бекразом із колегами намагався створити детальну модель ядерно-порових комплексів. Бек називає її найбільшою молекулярною машиною у клітинах людини. Комплекс ядерних пір контролює потік молекул, які надходять у ядро клітини і з нього туди, де знаходиться геном. Сотні таких комплексів існують у всіх клітинах. Кожен з них складається з більш ніж 1000 білків.
Ці тисячі шматочків утворюють понад 30 білкових.будівельних блоків, які по-різному переплітаються: тому працювати з ними складніше. У 2016 році команда під керівництвом Бека з Інституту біофізики Макса Планка (MPIB) повідомила, що створила модель, яка описує близько 30% від комплексу ядерних пір та майже половину будівельних блоків, інакше кажучи, білків Nup.
Як алгоритми вивчають людські білки?
У липні 2021 року фірма DeepMind, що входить доAlphabet – материнську компанію Google, – представила ІІ під назвою AlphaFold. Це програмне забезпечення могло передбачати тривимірну форму білків за їхньою генетичною послідовністю. Обчислення проходили високої точності. Це серйозно змінило завдання та інтерес біологів.
Використовуючи AlphaFold, вчені змогли передбачити,яка форма у людського білка Nup. А пізніше опублікували модель, яка описує 60% комплексу ядерних пір. Це допомогло зрозуміти, як комплекс стабілізує пори та контролює потік молекул.
AlphaFold-манія: чому ІІ для вивчення структури білків став таким популярним?
За словами біологів, вся наукова спільнотаохопила AlphaFold-манія. ІІ почали застосовувати для величезної кількості досліджень. У деяких випадках алгоритм допоміг заощадити час чи дозволив отримати нові дані. Але в ІІ є й обмеження: деякі вчені вважають його прогнози надто ненадійними для своєї роботи. Проте всі визнають, що алгоритм справляється з обробкою даних найкраще.
Навіть самі розробники алгоритму не завждивстигають зрозуміти, в якій області можна його використовувати: тому часто вони просто спостерігають як групи дослідників роблять нове відкриття за допомогою AlphaFold: починаючи від відкриття ліків і розробки білків, закінчуючи походженням складного життя.
У середині липня 2021 року у відкритому доступіз'явився відкритий вихідний код ІІ, а також інша інформація, яка допоможе вченим розпочати подібні дослідження в рамках своїх робіт. Через тиждень DeepMind оголосила, що використовувала AlphaFold для прогнозування структури майже всіх білків, які виробляє людина. Усього команда вивчила 365 тисяч біологічних структур. На сьогодні ця база даних розширилася майже до мільйона структур.
У 2022 році компанія DeepMind планує випуститивсього понад 100 млн прогнозів про біологічну структуру організмів. Це майже половина всіх відомих білків – також це число у сотні разів перевищує білки, які вдалося визначити експериментально.
Інструмент вже допоміг дослідникам знайти новихпотенційних білкових партнерів Вчені використали AlphaFold для прогнозування структур 65 000 пар людських білків. А інша група застосувала AlphaFold та RoseTTAFold, щоб змоделювати взаємодії майже між кожною парою білків, що кодуються дріжджами. В результаті вони знайшли понад 100 раніше невідомих комплексів ядерних пір.
Як працює AlphaFold?
AlphaFold використовує нейронні мережі з глибокимнавчанням: це обчислювальна структура, яка працює як людський мозок і розпізнає закономірності даних. Алгоритм навчили за допомогою сотень тисяч білкових структур, які визначили експериментально. Якщо ІІ зіткнеться з новою послідовністю, він спочатку шукає схожі випадки у базах даних.
AlphaFold перебирає підказки, намагаючисьзмоделювати 3D зображення амінокислот. Фахівці вважають, що у цьому програмному забезпеченні вдало застосували нові ідеї для машинного навчання. Зокрема, вони наголошують на унікальному механізмі, який називається «увага» — він визначає, які амінокислотні сполуки найбільш важливі для роботи в даний момент.
У чому проблема AlphaFold?
Прогнози AlphaFold залежить від інформації проспоріднених білкових послідовностей, тому в ІІ є деякі обмеження. Наприклад, алгоритм не може прогнозувати впливу мутацій на форму білка, зокрема тих, що викликають захворювання.
Він також не може визначати, як білки змінюютьформу через інші взаємодіючі білки або молекули, наприклад, лікарські. Але модель може оцінювати впевненість у своєму прогнозі кожної амінокислотної одиниці білка. За даними DeepMind на серпень 2022 року, понад 400 000 осіб використали бази даних AlphaFold EMBL-EBI.
Чим такі алгоритми допоможуть звичайним людям?
Дослідники з фармацевтичних компаній та біотехнологічних фірм у захваті від потенціалу AlphaFold і кажуть, що алгоритм допомагає відкривати нові ліки.
Карен Акінсанья, керівник розробкирозробкою терапевтичних засобів у фірмі Schrödinger, зазначає, що вона та її колеги працювали з AlphaFold та отримали результати, які можна назвати успішними. Вони змогли розробити сполуки, які потенційно можуть стати ліками.
Читати далі:
У MIT створили нерухомий тепловий двигун, який перевершив ККД турбін
Через десять років роботи вчені засумнівалися у стандартній моделі фізики
Подивіться, як виглядає схід Сонця на Марсі