This AI Can Design Complex Proteins Perfectly Tailored To Our Needs

بازنشر افلاطون

دنبال: 0

ساختن پروتئین با هوش مصنوعی مانند تجهیز یک خانه است.

دو استراتژی اصلی وجود دارد. یکی از آنها رویکرد IKEA است: شما قطعات از پیش ساخته شده ای را خریداری می کنید که به راحتی به هم می چسبند، اما فقط می توانید امیدوار باشید که مبلمان تا حدودی متناسب با فضای شما باشد. در حالی که نسبتا ساده است، هیچ کنترلی بر ابعاد یا عملکرد محصول نهایی ندارید.

راه دیگر با چشم انداز و طراحی کاملاً متناسب با نیازهای شما شروع می شود. اما بخش سخت، یافتن – یا ساختن – قطعات جداگانه برای طراحی سفارشی است.

دو روش مشابه برای مهندسی مجتمع های پروتئینی با استفاده از هوش مصنوعی اعمال می شود. مانند یک کابینت، کمپلکس های پروتئینی از چندین واحد فرعی ساخته شده اند که به طور پیچیده به یکدیگر متصل می شوند. این ساختارهای بزرگ - با اشکالی از قالب بیست وجهی گرفته تا تونل هایی که باز و بسته می شوند - پایه متابولیسم، دفاع ایمنی و عملکرد مغز ما را تشکیل می دهند.

تلاش‌های قبلی برای شکل‌دهی به معماری پروتئین بیشتر از رویکرد IKEA استفاده می‌کردند. این انقلابی است: طراحی های مبتنی بر هوش مصنوعی قبلاً انجام شده است واکسن های کووید تولید شده با سرعت رعد و برق اگرچه این رویکرد قدرتمند است، اما با «بلوک‌های سازنده پروتئین» موجود محدود می‌شود.

در این ماه، تیمی به رهبری دکتر دیوید بیکر از دانشگاه واشنگتن طراحی پروتئین را انتخاب کردند به یک سطح سفارشی جدید. با شروع با ابعاد، اشکال و سایر ویژگی‌های خاص، این تیم از الگوریتم یادگیری ماشینی برای ساخت مجتمع‌های پروتئینی متناسب با پاسخ‌های بیولوژیکی خاص استفاده کردند.

به عبارت دیگر، به جای روش معمول از پایین به بالا، آنها از بالا به پایین رفتند.

به عنوان مثال، یک طرح، یک پوسته 20 وجهی است که لایه محافظ بیرونی ویروس ها را تقلید می کند. هنگامی که پوسته پروتئینی طراحی شده با هوش مصنوعی با پروتئین های محرک سیستم ایمنی ناشی از ویروس آنفولانزا پر شد، واکنش ایمنی را در موش ها برانگیخت که نسبت به آخرین نامزدهای واکسن در آزمایشات بالینی عملکرد بهتری داشت.

هوش مصنوعی فقط برای واکسن ها نیست. همین استراتژی می‌تواند حامل‌های فشرده‌تر و کارآمدتری برای ژن‌درمانی بسازد یا آنتی‌بادی‌ها و داروهای دیگری را حمل کند که به محافظت بیشتری در برابر تجزیه فوری در بدن نیاز دارند.

اما به طور گسترده‌تر، این مطالعه نشان می‌دهد که می‌توان معماری‌های پروتئینی بسیار پیچیده را با شروع از یک دید کلی طراحی کرد، به جای کار کردن با معادل بیولوژیکی تخته‌های دو در چهار.

شگفت آور است که تیم می تواند این کار را انجام دهد. گفت: دکتر مارتین نوبل در دانشگاه نیوکاسل که در کار نبود. میلیاردها سال طول می‌کشد تا پروتئین‌های منفرد طراحی شوند که به درستی تا شوند، اما این سطح دیگری از پیچیدگی است، تا کردن پروتئین‌ها به گونه‌ای که به خوبی با هم هماهنگ شوند و ساختارهای بسته بسازند.»

تکامل با سرعت Warp

در قلب کار جدید یادگیری تقویتی است. احتمالاً در مورد آن شنیده اید. بر اساس نحوه یادگیری مغز از طریق آزمون و خطا، یادگیری تقویتی چندین عامل هوش مصنوعی را که دنیا را طوفانی کرده اند، نیرو می دهد. شاید شناخته شده ترین AlphaGo باشد، زاییده فکر DeepMind که در بازی رومیزی Go بر قهرمان جهان انسان پیروز شد. اخیراً، یادگیری تقویتی بوده است پیشرفت سرعت در خودروهای خودران و حتی توسعه الگوریتم های بهتر با ساده کردن محاسبات اساسی

در مطالعه جدید، تیم از نوعی الگوریتم یادگیری تقویتی به نام جستجوی درخت مونت کارلو (MCTS) استفاده کرد. در حالی که شبیه یک حرکت کازینو به نظر می رسد، یک استراتژی یادگیری تقویتی محبوب است که تصمیمات بهینه را جستجو می کند.

الگوریتم را درختی از تصمیمات زندگی خود تصور کنید. احتمالاً همه ما فکر کرده‌ایم که اگر در مقطعی انتخاب متفاوتی داشته باشیم، زندگی‌مان چگونه خواهد بود. اگر آن تصمیمات جایگزین را به عنوان یک جدول زمانی ترسیم کنید - voilà، یک درخت تصمیم دارید که هر ترکیبی از شاخه ها به یک نتیجه متفاوت منجر می شود.

پس MCTS کمی شبیه بازی زندگی است. انتخاب ها در هر شاخه به طور تصادفی انتخاب می شوند و مسیر درخت را دنبال می کنند. پس از رسیدن به نتیجه نهایی، درخت را به سمت بالا تغذیه می کند تا احتمال راه حل مورد نظر شما افزایش یابد. مثل کاوش در چندجهانی است همه چیز، همه جا، همه به یکباره- اما به جای انتخاب های زندگی، اینجا برای طراحی پروتئین ها است.

برای شروع، تیم الگوریتم MCTS را تغذیه کرد میلیون ها قطعه پروتئین با اهداف ساختمانی خاص مقادیر قطعات با دقت وزن شدند: عدد کوچکتر در هر مرحله محاسبه، روند یادگیری هوش مصنوعی را سرعت می بخشد و تنوع پروتئین نهایی را افزایش می دهد. اما قطعات بیشتر همچنین باعث می‌شوند که زمان محاسبات و مصرف انرژی افزایش یابد. برای متعادل کردن این معضل، تیم چندین عنصر ساختاری پروتئین را به عنوان نقطه شروع برای شروع جستجوی طراحی پروتئین ساخت.

مانند دستکاری با Play-Doh دیجیتال، الگوریتم سپس قطعات پروتئین را پیچ و تاب داد یا خم کرد تا ببیند آیا محدودیت‌های هندسی پروتئین نهایی را پشت سر گذاشته‌اند - از جمله ستون فقرات آن و "نقاط اتصال" آن برای کمک به خودآرایی قطعات. اگر شبیه‌سازی‌ها مورد توجه قرار گیرند، مسیرهای محاسباتی آن‌ها در الگوریتم "تقویت" می‌شوند. ده‌ها هزار بار آبکشی کنید و تکرار کنید، و برنامه می‌تواند بخش‌های فردی بهینه را برای یک طراحی خاص بررسی کند.

در حالی که به نظر می رسد یک تعهد بزرگ است، الگوریتم بسیار کارآمد بود. تیم توضیح داد که هر تکرار به طور متوسط تنها ده ها میلی ثانیه طول می کشد.

پروتئین های مورد نیاز

در پایان، تیم یک الگوریتم قدرتمند داشت که مانند یک معمار، پروتئین‌ها را بر اساس نیازهای سفارشی طراحی می‌کرد. در یک آزمایش، هوش مصنوعی مجموعه‌ای از ساختارهای پروتئینی از منشور گرفته تا هرم و حروف الفبا را ساخت که هر کدام فضای خاصی را در صورت نیاز پر می‌کردند.

رویکرد ما منحصر به فرد است زیرا ما از یادگیری تقویتی برای حل مشکل ایجاد اشکال پروتئینی که مانند قطعات یک پازل در کنار هم قرار می گیرند، استفاده می کنیم. این به سادگی با استفاده از رویکردهای قبلی امکان پذیر نبود و این پتانسیل را دارد که انواع مولکول هایی را که می توانیم بسازیم تغییر دهد. گفت: آیزاک لوتز نویسنده مطالعه

اما طراحی‌های هوش مصنوعی چگونه به زندگی واقعی تبدیل می‌شوند؟

به عنوان اثبات مفهوم، تیم صدها پروتئین را در آزمایشگاه ساخت تا وفاداری را آزمایش کند. با استفاده از یک میکروسکوپ الکترونی، پروتئین‌های طراحی‌شده با هوش مصنوعی تقریباً با نقشه‌های پیش‌بینی‌شده در مقیاس اتمی یکسان بودند.

یکی از برجسته ترین طراحی ها یک پوسته توخالی بود که با ده ها قطعه پروتئین ساخته شده بود. این ساختار که کپسید نامیده می شود، شبیه لایه پروتئینی محافظ برای ویروس ها است که اغلب به عنوان راهنمای تولید واکسن استفاده می شود. بر خلاف تکرارهای قبلی، پوسته های تولید شده توسط هوش مصنوعی به طور متراکم با نقاط اتصال متعدد بسته بندی شده بودند. مانند لنگرهای دیواری، اینها می توانند به سازه ها کمک کنند تا روی سلول ها یا بسته بندی مواد بهتری مانند داروها، ژن درمانی یا سایر مواد بیولوژیکی در داخل داربست قرار گیرند.

این تیم توضیح داد که در حدود 10 نانومتر، این نانو کپسیدها "به طور قابل توجهی کوچکتر از بسیاری از موارد ویروسی" هستند.

سایز کوچک با یک پانچ دارویی بزرگ همراه بود. در یک آزمایش، تیم تحقیقاتی کپسیدها را با 60 کپی از پروتئینی که به تحریک رشد عروق خونی در سلول‌های انسان از وریدهای ناف کمک می‌کند، نقطه‌گذاری کردند. حباب پروتئین ساخته شده توسط هوش مصنوعی بیش از 10 برابر از نانوذره قبلی بهتر عمل کرد. دکتر Hannele Ruohola-Baker، نویسنده این مطالعه، گفت: "این کار کاربردهای بالقوه ای را برای دیابت، آسیب های مغزی، سکته مغزی و سایر مواردی که عروق خونی در معرض خطر هستند، باز می کند."

آزمایش دیگری از نقاط چسبندگی متراکم روی پوسته 20 طرفه استفاده کامل کرد و کپسید را به یک واکسن کارآمد تبدیل کرد. در اینجا، تیم یک پروتئین آنفولانزا HA (هماگلوتینین آنفولانزا) را به نانو کپسید ادغام کرد و آن را به موش تزریق کرد. در مقایسه با طرح واکسنی مشابه اما بسیار بزرگ‌تر که قبلاً در آزمایش‌های بالینی قرار داشت، راه‌حل طراحی‌شده با هوش مصنوعی باعث واکنش ایمنی شدیدتر شد.

در حال حاضر، هوش مصنوعی هنوز در مراحل اولیه خود است. اما همانطور که دو سال گذشته نشان داده است، به سرعت تکامل خواهد یافت. به گفته این تیم، پوسته 20 وجهی و سایر سازه‌ها «متمایز از هر سازه‌ای که قبلاً طراحی شده بود یا به‌طور طبیعی رخ می‌دادند». به لطف اندازه کوچک اما ظرفیت حمل بزرگ، آنها می توانند به طور بالقوه در داخل هسته سلول - که DNA را در خود جای داده است - تونل بزنند و به طور موثر اجزای ویرایش ژن را جابه جا کنند.

دکتر شونژی وانگ، نویسنده این مطالعه گفت: پتانسیل آن برای ساخت انواع معماری ها هنوز به طور کامل مورد بررسی قرار نگرفته است.

اعتبار تصویر: ایان هایدون/ موسسه پزشکی UW برای طراحی پروتئین