Британската компания за изкуствен интелект DeepMind е разгадала структурата на почти всички известни на науката протеини.
Изследователите са постигнали този успех с помощта на програмата AlphaFold, която DeepMind разработва за първи път през 2018 г. и пуска публично през юли 2021 г. Програмата с отворен код може да предскаже 3D структурата на даден протеин от последователността на аминокиселините - градивните елементи, съставящи протеините. Структурата на протеина диктува неговите функции, така че базата данни от 200 милиона протеинови структури, идентифицирани от AlphaFold, има потенциала да помогне за идентифицирането на нови протеинови машини, от които хората могат да се възползват.
Програмата AlphaFold използва невронни мрежи за извършване на дълбоко самообучение, идентифицирайки модели в последователности и структури на протеини, открити в глобална база данни. Тъй като се обучава с течение на времето, програмата може да идентифицира структурата на протеина за минути. Как работи дълбокото самообучение на невронните мрежи може да разберете в тази статия на НаукаOFFNews.
Базата данни може да включва например протеини, които могат да помогнат за рециклирането на пластмаси, съобщава The Guardian.
"Беше ни необходимо доста дълго време, за да прегледаме тази огромна база данни от структури, но [това] ни разкри цял набор от нови триизмерни форми, които не бяхме виждали досега и които действително могат да разграждат пластмаси", разказва пред The Guardian Джон МакГийн (John McGeehan), професор по структурна биология в Университета в Портсмут, Великобритания. "Налице е пълна промяна на парадигмата. Можем наистина да ускорим напредъка си - и това ни помага да насочим тези ценни ресурси към значимите неща."
AlphaFold на DeepMind създава 3D изображения на протеинови структури. Кредит: Deepmind
Протеините са като малки, неразгадаеми пъзели. Те се произвеждат от различни организми - от бактерии до растения и животни, и когато се създадат, се сгъват за милисекунди, но структурите им са толкова сложни, че опитите да се познае каква форма ще приемат са почти невъзможни.
В статия от 1969 г. Сайръс Левинтал (Cyrus Levinthal), американски молекулярен биолог, посочва парадокса, че протеините се сгъват толкова бързо и точно, въпреки че имат огромен брой възможни конфигурации, изчислявайки, че даден протеин може да има 10300 възможни крайни форми.
По този начин, пише Левинтал, ако човек се опита да стигне до правилната форма на белтъка, като изпробва всяка конфигурация една по една, ще му е необходимо повече време, отколкото Вселената е съществувала досега, за да стигне до правилния отговор.
Учените разполагат с начини да визуализират протеините и да анализират техните структури, но това е бавна и трудна работа. Най-разпространеният начин за визуализиране на протеини е рентгеновата кристалография, както се посочва в списание Nature, която включва изпращане на рентгенови лъчи към твърди кристали на протеини и измерване на начина, по който тези лъчи се разсейват, за да се определи как е устроен протеинът. Тази експериментална работа е установила формата на около 190 000 протеина, съобщава DeepMind.
Миналата година DeepMind публикува прогнози за формата на всеки протеин в човешкото тяло и за 20 вида животни, които са обект на изследване. Сега те са разширили тези прогнози до протеини в почти всичко.
"Тази актуализация включва предсказани структури за растения, бактерии, животни и други организми, което открива много нови възможности за изследователите да използват AlphaFold, за да напреднат в работата си по важни въпроси, включително устойчивост, продоволствена несигурност и пренебрегвани болести", заявяват представители на DeepMind.
Да накараме протеините да работят
AlphaFold работи, натрупвайки знания за аминокиселинните последователности и взаимодействия, докато се опитва да интерпретира протеиновите структури. Сега алгоритъмът може да предсказва формите на протеините за минути с точност до атом.
AlphaFold прогнозира много точно структури, сравнявани с експериментални резултати. Кредит: DeepMind
Изследователите вече използват плодовете на труда на AlphaFold. Според The Guardian програмата е позволила на изследователите най-накрая да характеризират ключов протеин на маларийния паразит, който досега бе недостъпен за рентгенова кристалография. Според изследователите това може да подобри разработването на ваксини срещу болестта.
В Норвежкия университет по науки за живота изследователят на медоносните пчели Вилде Лейпарт (Vilde Leipart) използва AlphaFold, за да разкрие структурата на вителогенина - репродуктивен и имунен протеин, който се произвежда от всички животни, снасящи яйца. Откритието може да доведе до нови начини за защита на важни животни, които снасят яйца, като медоносните пчели и рибите, от болести, пише Лейпарт в публикация в блога на DeepMind.
Антибиотичната резистентност, при която бактериите развиват способността да побеждават тези лекарства, бързо се превръща в нарастващ глобален проблем. С новите антибиотици, учени като Марсело Соуса (Marcelo Sousa) и Меган Мичъл (Megan Mitchell) от Университета в Колорадо Боулдър търсят различен подход: като се насочват към самия механизъм на резистентност. Блокирането на механизма на резистентност, контролиран от ензими, трябва да позволи на съществуващите антибиотици да продължат да функционират. Но разбирането на структурата на тези ензими се оказа невероятно предизвикателство с чисто експериментални методи – докато екипът не се натъква на AlphaFold. Те споделят, че са вдъхновени от потенциала на тези данни и какво може да означава това за антибиотичната резистентност.
Програмата също така дава информация за търсенето на нови фармацевтични продукти, отбелязва Розана Капелер (Rosana Kapeller), главен изпълнителен директор на ROME Therapeutics, в изявлението на DeepMind.
"Скоростта и точността на AlphaFold ускоряват процеса на откриване на лекарства", подчертава Капелер, "и ние сме едва в началото на осъзнаването на нейното въздействие върху по-бързото достигане на нови лекарства до пациентите".
Справка: Structure of the malaria vaccine candidate Pfs48/45 and its recognition by transmission blocking antibodies
Kuang-Ting Ko, Frank Lennartz, David Mekhaiel, Bora Guloglu, Arianna Marini, Danielle J. Deuker, Carole A. Long, Matthijs M. Jore, Kazutoyo Miura, Sumi Biswas, View ORCID ProfileMatthew K. Higgins
doi: https://doi.org/10.1101/2022.05.24.493318
Източник: DeepMind AI has discovered the structure of nearly every protein known to science, Stephanie Pappas, Live Science.
Коментари
Моля, регистрирайте се от TУК!
Ако вече имате регистрация, натиснете ТУК!
Няма коментари към тази новина !
Последни коментари