Den vigtigste opdagelse i 50 år: DeepMinds algoritme blev lært at bestemme strukturen af ​​et protein

Protein er en vigtig del af alles livmenneske, men på trods af at vi lever i det 21. århundrede, når neurale netværk maler billeder, og 3D-printere er fuldgyldige organer, har forskere endnu ikke haft mulighed for at studere proteinet fuldt ud. Især har biologer i løbet af de sidste 50 år forsøgt at bestemme et tredimensionelt struktur af et protein: hvis du forstår det, kan du finde ud af, hvordan det interagerer med andre stoffer, herunder stoffer. Indtil for nylig forblev proteinfoldemekanismen ukendt, indtil teamet af DeepMind, Google-divisionen, der skaber neurale netværk, besluttede at bruge kunstig intelligens til at løse dette problem.

Denne proteinstruktur blev oprettet af en algoritme baseret på et neuralt netværk

Indholdet

• 1 Hvordan bestemmes strukturen af ​​et protein?
• 2 Hvad er AlphaFold?
• 3 Hvorfor skal du bestemme strukturen af ​​et protein?
• 4 Hvordan ellers kan AlphaFold 2 bruges

Hvordan bestemmes strukturen af ​​et protein?

Hvad er problemet med at bestemme den tredimensionelle strukturegern? Proteiner har tendens til at tage form uden hjælp, kun styret af fysikens love. Før det havde biologer en idé om, hvordan man gjorde dette, men alt hvilede til tiden. For at løse dette problem er det nødvendigt at bestemme proteinets aminosyresekvens og analysere forbindelserne mellem medlemmerne af denne sekvens. Men denne sekvens kan endda bestå af 101 aminosyrer, mellem hvilke der vil være henholdsvis 100 bindinger. Plus, hver af dem kan have tre mulige tilstande.

Som et resultat vil det endelige protein have utrolig mange varianter af strukturer - 3 til den hundrede magt... At gå over dem alle, mand det vil tage tusinder af år.

Selvfølgelig har ingen så meget tid tilbage, så i årtier har forskere forsøgt at løse dette problem på en anden måde. Det fungerede ikke før Alphafold - en algoritme, som DeepMind-teamet udviklede specifikt til dette formål.

Hvad er AlphaFold?

Den første version af denne algoritme DeepMind visteto år siden. AlphaFold har vist sig at være mere nøjagtig end sine konkurrenter med hensyn til at forudsige den tredimensionelle struktur af proteiner fra listen over bestanddele. Det er nok for et neuralt netværk at "fodre" en sekvens af aminosyrer, og ved udgangen vil det vise afstanden og vinklerne af bindinger mellem dem, hvilket gør det muligt at gendanne proteinstrukturen.

Udviklerne fortsatte med at arbejde på algoritmen, ogAlphaFold 2 blev vist den 30. november 2020, hvilket er blevet endnu mere præcist. Ideen er at se på sekvensen af ​​aminosyrer som en graf: dens hjørner er aminosyrerester, og kanterne er forbindelserne mellem dem. Og giv derefter opgaven med et neuralt netværk med en opmærksomhedsblok for at undersøge det under hensyntagen til allerede kendte lignende og evolutionært relaterede proteiner. Derefter bygger algoritmen den endelige tredimensionelle struktur af proteinet fra de resulterende forbindelser.

Proteinstrukturer genereret af DeepMind-algoritmen

Men ethvert neuralt netværk har brug for inputdata tilsom den kan stole på, i hvilket tilfælde forskerne uploadede information om strukturen af ​​ca. 170.000 proteiner. Hele læringsprocessen tog flere uger - sammenlignet med de tusinder af år, der blev diskuteret i begyndelsen af ​​denne artikel, er dette et ægte gennembrud. Algoritmen blev præsenteret på den nylige CASP-konference, hvor AlphaFold2 tog førstepladsen og fik 92,4 ud af 100 mulige point (baseret på rigtigheden af ​​lokaliserede aminosyrerester i proteinkæden). Den tidligere version af algoritmen scorede maksimalt 60 point.

Forskning på nøjagtigheden af ​​algoritmer til bestemmelse af et proteins struktur (mere er bedre)

Hvorfor har du brug for at bestemme strukturen af ​​et protein?

Denne opdagelse gør det muligt at skabe nye lægemidlermedicin mod sygdomme, fordi forskere ved hjælp af strukturen ved, hvordan proteinet fungerer, hvordan det folder og interagerer med andre elementer, så det kan bruges smertefrit i medicin. Proteinstrukturen giver os også mulighed for at forstå, hvordan sygdomme spredes og påvirker menneskekroppen.

For eksempel udvikler Parkinsons sygdom pgaakkumulering af proteinet alfa-synuclein i kroppen: det krøller sig op og danner toksiske tangles inde i neuronerne - Lewy-organer. Sidstnævnte inficerer derefter neuroner i hjernen. Men hvor præcis dette protein kommer fra, ved forskerne stadig ikke nøjagtigt. At forstå den tredimensionale struktur af et protein hjælper med at besvare dette spørgsmål.

Det samme gælder Alzheimers mådespredning deraf løber gennem afbrydelsen af ​​kommunikationen mellem neuroner, specielle celler, der behandler og transmitterer elektriske og kemiske forbindelser mellem hjernens områder. Dette fører til hjernecellernes død og ophobning af to typer protein, amyloid og tau.

Den nøjagtige interaktion mellem disse to proteiner istort set ukendt. En af vanskelighederne ved diagnosticering af Alzheimers sygdom er, at vi ikke har en pålidelig og nøjagtig måde til at måle disse proteinakkumulationer i de tidlige stadier af sygdommen.

Alphafold 2 vil hjælpe med at diagnosticere Alzheimers sygdom på et tidligere tidspunkt og give mulighed for at skabe den rigtige medicin.

Dette er den vigtigste opdagelse i de sidste 50 år -siger John Moult, en biolog ved University of Maryland, der medstifter CASP i 1994 med det formål at udvikle beregningsmetoder til nøjagtig forudsigelse af proteinstrukturer. - På en måde er problemet løst.

Evnen til nøjagtigt at forudsige proteinstruktur vedderes aminosyresekvens ville være en stor velsignelse for medicin. Dette vil i høj grad fremskynde forskning i forståelse af cellernes byggesten og muliggøre hurtigere og mere effektiv opdage nye stoffer.

Abonner på os på Yandex.Zen for at få adgang til lukkede materialer, der ikke er offentliggjort engang på webstedet.

Hvordan ellers kan AlphaFold 2 bruges

Det er usandsynligt, at AlphaFold 2 gør unødvendigtlaboratorier, der bruger eksperimentelle metoder til at bestemme strukturen af ​​proteiner. Men algoritmen viste, at lavere kvalitet og lettere at indsamle eksperimentelle data er alt, hvad der er nødvendigt for at skabe en god proteinstruktur.

Jeg troede, at dette problem ikke ville blive løst i min levetid, ”siger Janet Thornton, biolog ved Det Europæiske Laboratorium for Molekylærbiologi.

Hun håber, at denne tilgang vil hjælpe med at kaste lys over funktionen af ​​tusinder af ukendte proteiner i det menneskelige genom og forstå variationerne i sygdomsfremkaldende gener, der forekommer hos forskellige mennesker.

Oprettelsen af ​​AlphaFold 2 markerer ogsået vendepunkt for DeepMind. Virksomheden er bedst kendt for at bruge AI til at mestre spil som Go, men dets langsigtede mål er at udvikle software, der overgår mulighederne for menneskelig intelligens. At løse skræmmende videnskabelige problemer, såsom at forudsige proteinstruktur, er en af ​​de vigtigste, som kunstig intelligens kan gøre. Tænk bare på, hvad der vil ske næste - når alt kommer til alt venter fantastiske opdagelser os!