Οι πρωτεΐνες είναι κοινωνικά πλάσματα. Είναι και χαμαιλέοντες. Ανάλογα με τις ανάγκες ενός κυττάρου, μεταμορφώνονται γρήγορα σε δομή και αρπάζονται από άλλα βιομόρια σε έναν περίπλοκο χορό.

Δεν είναι μοριακό θέατρο δείπνου. Μάλλον, αυτές οι συνεργασίες είναι η καρδιά των βιολογικών διεργασιών. Μερικοί ενεργοποιούν ή απενεργοποιούν τα γονίδια. Άλλοι ωθούν τα γερασμένα κύτταρα «ζόμπι» να αυτοκαταστραφούν ή να διατηρήσουν τη γνώση και τη μνήμη μας σε κορυφαία μορφή, αναδιαμορφώνοντας τα δίκτυα του εγκεφάλου.

Αυτές οι συνδέσεις έχουν ήδη εμπνεύσει ένα ευρύ φάσμα θεραπειών - και νέες θεραπείες θα μπορούσαν να επιταχυνθούν από την τεχνητή νοημοσύνη που μπορεί να μοντελοποιήσει και να σχεδιάσει βιομόρια. Όμως τα προηγούμενα εργαλεία τεχνητής νοημοσύνης επικεντρώνονταν αποκλειστικά στις πρωτεΐνες και τις αλληλεπιδράσεις τους, παραμερίζοντας τους μη πρωτεϊνικούς συνεργάτες τους.

Αυτή την εβδομάδα, μια μελέτη στο Επιστήμη διεύρυνε την ικανότητα της τεχνητής νοημοσύνης να μοντελοποιεί μια μεγάλη ποικιλία άλλων βιομορίων που αρπάζουν φυσικά πρωτεΐνες, συμπεριλαμβανομένων των μικρών μορίων που περιέχουν σίδηρο και αποτελούν το κέντρο των φορέων οξυγόνου.

Με επικεφαλής τον Δρ Ντέιβιντ Μπέικερ στο Πανεπιστήμιο της Ουάσιγκτον, η νέα τεχνητή νοημοσύνη διευρύνει το πεδίο του βιομοριακού σχεδιασμού. Με το όνομα RoseTTAFold All-Atom, βασίζεται σε ένα προηγούμενο σύστημα μόνο για πρωτεΐνες για να ενσωματώσει μια μυριάδα άλλων βιομορίων, όπως το DNA και το RNA. Προσθέτει επίσης μικρά μόρια - για παράδειγμα, σίδηρο - που είναι αναπόσπαστα σε ορισμένες πρωτεϊνικές λειτουργίες.

Η τεχνητή νοημοσύνη έμαθε μόνο από την αλληλουχία και τη δομή των συστατικών - χωρίς καμία ιδέα για την τρισδιάστατη δομή τους - αλλά μπορεί να χαρτογραφήσει πολύπλοκες μοριακές μηχανές σε ατομικό επίπεδο.

Στη μελέτη, όταν συνδυάστηκε με τη γενετική τεχνητή νοημοσύνη, το RoseTTAFold All-Atom δημιούργησε πρωτεΐνες που προσαρμόστηκαν εύκολα σε ένα φάρμακο για καρδιακές παθήσεις. Ο αλγόριθμος δημιούργησε επίσης πρωτεΐνες που ρυθμίζουν την αίμη, ένα μόριο πλούσιο σε σίδηρο που βοηθά το αίμα να μεταφέρει οξυγόνο, και τη βιλίνη, μια χημική ουσία στα φυτά και τα βακτήρια που απορροφά το φως για τον μεταβολισμό τους.

Αυτά τα παραδείγματα είναι απλώς αποδείξεις της ιδέας. Η ομάδα κυκλοφορεί το RoseTTAFold All-Atom στο κοινό για τους επιστήμονες, ώστε να μπορούν να δημιουργήσουν πολλαπλά αλληλεπιδρώντα βιο-συστατικά με πολύ μεγαλύτερη πολυπλοκότητα από τα συμπλέγματα πρωτεϊνών από μόνα τους. Με τη σειρά τους, οι δημιουργίες θα μπορούσαν να οδηγήσουν σε νέες θεραπείες.

«Ο στόχος μας εδώ ήταν να δημιουργήσουμε ένα εργαλείο τεχνητής νοημοσύνης που θα μπορούσε να δημιουργήσει πιο εξελιγμένες θεραπείες και άλλα χρήσιμα μόρια», δήλωσε ο συγγραφέας της μελέτης Woody Ahern σε δελτίο τύπου.

Dream On

Το 2020, το AlphaFold του Google DeepMind και το RoseTTAFold του Baker Lab έλυσαν το πρόβλημα πρόβλεψης της δομής των πρωτεϊνών που είχε μπερδέψει τους επιστήμονες για μισό αιώνα και εγκαινίασε μια νέα εποχή έρευνας για τις πρωτεΐνες. Οι ενημερωμένες εκδόσεις αυτών των αλγορίθμων χαρτογράφησαν όλες τις πρωτεϊνικές δομές τόσο γνωστές όσο και άγνωστες στην επιστήμη.

Στη συνέχεια, το γενετικό AI - η τεχνολογία πίσω από το ChatGPT του OpenAI και το Gemini της Google - πυροδότησε μια δημιουργική φρενίτιδα από πρωτεΐνες σχεδιαστών με ένα εντυπωσιακό εύρος δραστηριότητας. Ορισμένες πρωτεΐνες που δημιουργήθηκαν πρόσφατα ρύθμιζαν μια ορμόνη που κρατούσε υπό έλεγχο τα επίπεδα ασβεστίου. Άλλοι οδήγησαν σε τεχνητά ένζυμα ή πρωτεΐνες που θα μπορούσαν αλλάζουν εύκολα το σχήμα τους όπως τα τρανζίστορ σε ηλεκτρονικά κυκλώματα.

Με την παραίσθηση ενός νέου κόσμου πρωτεϊνικών δομών, η γενετική τεχνητή νοημοσύνη έχει τη δυνατότητα να ονειρευτεί μια γενιά συνθετικών πρωτεϊνών για να ρυθμίσει τη βιολογία και την υγεία μας.

Αλλά υπάρχει ένα πρόβλημα. Τα μοντέλα τεχνητής νοημοσύνης με πρωτεΐνες σχεδιαστών έχουν όραση σήραγγας: Είναι πολύ επικεντρώνεται στις πρωτεΐνες.

Όταν οραματιζόμαστε τα μοριακά συστατικά της ζωής, έρχονται στο μυαλό πρωτεΐνες, DNA και λιπαρά οξέα. Αλλά μέσα σε ένα κύτταρο, αυτές οι δομές συχνά συγκρατούνται μεταξύ τους από μικρά μόρια που συνδυάζονται με τα γύρω συστατικά, σχηματίζοντας μαζί ένα λειτουργικό βιοσυγκρότημα.

Ένα παράδειγμα είναι η αίμη, ένα μόριο που μοιάζει με δακτύλιο που ενσωματώνει σίδηρο. Η αίμη είναι η βάση της αιμοσφαιρίνης στα ερυθρά αιμοσφαίρια, η οποία μεταφέρει το οξυγόνο σε όλο το σώμα και αρπάζει στα γύρω πρωτεϊνικά "αγκίστρια" χρησιμοποιώντας μια ποικιλία χημικών δεσμών.

Σε αντίθεση με τις πρωτεΐνες ή το DNA, τα οποία μπορούν να μοντελοποιηθούν ως μια σειρά από μοριακά «γράμματα», τα μικρά μόρια και οι αλληλεπιδράσεις τους είναι δύσκολο να συλληφθούν. Αλλά είναι κρίσιμα για τις πολύπλοκες μοριακές μηχανές της βιολογίας και μπορούν να αλλάξουν δραματικά τις λειτουργίες τους.

Γι' αυτό, στη νέα τους μελέτη, οι ερευνητές στόχευαν να διευρύνουν το πεδίο εφαρμογής της τεχνητής νοημοσύνης πέρα ​​από τις πρωτεΐνες.

«Ξεκινήσαμε να αναπτύξουμε μια μέθοδο πρόβλεψης δομής ικανή να παράγει τρισδιάστατες συντεταγμένες για όλα τα άτομα» για ένα βιολογικό μόριο, συμπεριλαμβανομένων πρωτεϊνών, DNA και άλλων τροποποιήσεων, έγραψαν οι συγγραφείς στην εργασία τους.

Ομάδα ετικετών

Η ομάδα ξεκίνησε τροποποιώντας μια προηγούμενη τεχνητή νοημοσύνη μοντελοποίησης πρωτεΐνης για να ενσωματώσει άλλα μόρια.

Το AI λειτουργεί σε τρία επίπεδα: Το πρώτο αναλύει τη μονοδιάστατη ακολουθία «γραμμάτων» μιας πρωτεΐνης, όπως λέξεις σε μια σελίδα. Στη συνέχεια, ένας δισδιάστατος χάρτης παρακολουθεί πόσο απέχει κάθε «λέξη» πρωτεΐνης από μια άλλη. Τέλος, οι τρισδιάστατες συντεταγμένες - λίγο σαν το GPS - χαρτογραφούν τη συνολική δομή της πρωτεΐνης.

Μετά έρχεται η αναβάθμιση. Για να ενσωματώσει πληροφορίες μικρών μορίων στο μοντέλο, η ομάδα πρόσθεσε δεδομένα σχετικά με τις ατομικές θέσεις και τις χημικές συνδέσεις στα δύο πρώτα στρώματα.

Στο τρίτο, εστίασαν στη χειραλικότητα - δηλαδή αν η δομή μιας χημικής ουσίας είναι αριστερόχειρας ή δεξιόχειρας. Όπως τα χέρια μας, έτσι και οι χημικές ουσίες μπορούν επίσης να έχουν αντικατοπτρικές δομές πολύ διαφορετικές βιολογικές συνέπειες. Όπως και το να φοράτε γάντια, μόνο η σωστή «χεριά» μιας χημικής ουσίας μπορεί να χωρέσει ένα δεδομένο «γάντι» βιοσυναρμολόγησης.

Στη συνέχεια, το RoseTTAFold All-Atom εκπαιδεύτηκε σε πολλαπλά σύνολα δεδομένων με εκατοντάδες χιλιάδες σημεία δεδομένων που περιγράφουν πρωτεΐνες, μικρά μόρια και τις αλληλεπιδράσεις τους. Τελικά, έμαθε γενικές ιδιότητες μικρών μορίων χρήσιμων για την κατασκευή εύλογων συγκροτημάτων πρωτεϊνών. Ως έλεγχος λογικής, η ομάδα πρόσθεσε επίσης έναν «μετρητή εμπιστοσύνης» για να εντοπίσει προβλέψεις υψηλής ποιότητας—αυτές που οδηγούν σε σταθερές και λειτουργικές βιοσυναρμολογήσεις.

Σε αντίθεση με τα προηγούμενα μοντέλα τεχνητής νοημοσύνης μόνο με πρωτεΐνη, το RoseTTAFold All-Atom «μπορεί να μοντελοποιήσει πλήρη βιομοριακά συστήματα», έγραψε η ομάδα.

Σε μια σειρά δοκιμών, το αναβαθμισμένο μοντέλο ξεπέρασε τις προηγούμενες μεθόδους όταν μάθαινε να "προσαρτά" μικρά μόρια σε μια δεδομένη πρωτεΐνη - βασικό συστατικό της ανακάλυψης φαρμάκων - προβλέποντας γρήγορα τις αλληλεπιδράσεις μεταξύ πρωτεϊνών και μη πρωτεϊνικών μορίων.

Brave New World

Η ενσωμάτωση μικρών μορίων ανοίγει ένα εντελώς νέο επίπεδο προσαρμοσμένου σχεδιασμού πρωτεΐνης.

Ως απόδειξη της ιδέας, η ομάδα συνδύασε το RoseTTAFold All-Atom με ένα παραγωγικό μοντέλο AI που είχαν αναπτύχθηκε προηγουμένως και σχεδίασε συνεργάτες πρωτεΐνης για τρία διαφορετικά μικρά μόρια.

Το πρώτο ήταν η διγοξιγενίνη, η οποία χρησιμοποιείται για τη θεραπεία καρδιακών παθήσεων αλλά μπορεί να έχει παρενέργειες. Μια πρωτεΐνη που το πιάνει μειώνει την τοξικότητα. Ακόμη και χωρίς προηγούμενη γνώση του μορίου, το AI σχεδίασε πολλά συνδετικά πρωτεϊνών που μετριάζουν τα επίπεδα διγοξιγενίνης όταν δοκιμάστηκαν σε καλλιεργημένα κύτταρα.

Η τεχνητή νοημοσύνη σχεδίασε επίσης πρωτεΐνες που συνδέονται με την αίμη, ένα μικρό μόριο κρίσιμο για τη μεταφορά οξυγόνου στα ερυθρά αιμοσφαίρια, και τη βιλίνη, η οποία βοηθά μια ποικιλία πλασμάτων να απορροφούν το φως.

Σε αντίθεση με προηγούμενες μεθόδους, εξήγησε η ομάδα, η τεχνητή νοημοσύνη μπορεί να «δημιουργήσει εύκολα νέες πρωτεΐνες» που πιάνουν μικρά μόρια χωρίς καμία γνώση ειδικού.

Μπορεί επίσης να κάνει πολύ ακριβείς προβλέψεις σχετικά με την ισχύ των συνδέσεων μεταξύ πρωτεϊνών και μικρών μορίων σε ατομικό επίπεδο, καθιστώντας δυνατή την ορθολογική κατασκευή ενός ολόκληρου νέου σύμπαντος πολύπλοκων βιομοριακών δομών.

«Δίνοντας τη δυνατότητα στους επιστήμονες παντού να παράγουν βιομόρια με πρωτοφανή ακρίβεια, ανοίγουμε την πόρτα σε πρωτοποριακές ανακαλύψεις και πρακτικές εφαρμογές που θα διαμορφώσουν το μέλλον της ιατρικής, της επιστήμης των υλικών και όχι μόνο», δήλωσε ο Baker.

Πηγή εικόνας: Ian C. Haydon

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://singularityhub.com/2024/03/08/this-ai-can-design-biomolecular-machines-with-atomic-precision/