이 AI는 우리의 요구에 완벽하게 맞는 복잡한 단백질을 설계할 수 있습니다.

플라톤에 의해 재발행

팔로워 : 0

AI로 단백질을 구축하는 것은 집을 꾸미는 것과 같습니다.

두 가지 주요 전략이 있습니다. 하나는 IKEA 접근 방식입니다. 쉽게 결합되는 미리 만들어진 가구를 구입하지만 가구가 귀하의 공간에 어느 정도 맞기를 바랄 뿐입니다. 상대적으로 간단하지만 최종 제품의 치수나 기능을 제어할 수 없습니다.

다른 방법은 귀하의 필요에 완벽하게 맞춘 비전과 디자인으로 시작합니다. 그러나 어려운 부분은 맞춤형 디자인을 위한 개별 부품을 찾거나 구축하는 것입니다.

동일한 두 가지 방법이 AI를 사용하여 단백질 복합체를 엔지니어링하는 데 적용됩니다. 캐비닛과 유사하게 단백질 복합체는 복잡하게 결합하는 여러 하위 단위로 구성됩니다. XNUMX면 다이에서 열리고 닫히는 터널에 이르기까지 모양이 있는 이 거대한 구조는 우리의 신진대사, 면역 방어 및 뇌 기능의 기초를 형성합니다.

단백질 구조를 형성하려는 이전의 시도는 대부분 IKEA 접근 방식을 사용했습니다. 혁신적입니다. AI 기반 디자인은 이미 생성된 COVID 백신 빛의 속도로. 강력하지만 접근 방식은 사용 가능한 단백질 "구성 요소"에 의해 제한됩니다.

이번 달 워싱턴 대학의 David Baker 박사가 이끄는 팀은 단백질 디자인을 새로운 맞춤 수준으로. 특정 치수, 모양 및 기타 특성으로 시작하여 팀은 기계 학습 알고리즘을 활용하여 특정 생물학적 반응에 맞는 단백질 복합체를 구축했습니다.

즉, 일반적인 상향식 방식이 아닌 하향식 방식으로 진행되었습니다.

예를 들어 한 가지 디자인은 바이러스의 외부 보호 층을 모방한 20면 쉘입니다. 독감 바이러스의 면역 자극 단백질이 점재했을 때 AI가 설계한 단백질 껍질은 임상 시험에서 최신 백신 후보를 능가하는 쥐의 면역 반응을 촉발했습니다.

AI는 백신만을 위한 것이 아닙니다. 동일한 전략으로 유전자 치료를 위한 보다 작고 효율적인 운반체를 만들거나 체내에서 즉시 분해되는 것을 방지하기 위해 추가적인 보호가 필요한 항체 및 기타 약물을 운반할 수 있습니다.

그러나 더 넓게 보면, 이 연구는 XNUMXxXNUMX 보드와 같은 생물학적 등가물로 작업하는 것보다 전체 비전에서 시작하여 엄청나게 복잡한 단백질 구조를 설계하는 것이 가능하다는 것을 보여줍니다.

"팀이 이런 일을 할 수 있다는 것이 놀랍습니다." 말했다 작업에 참여하지 않은 뉴캐슬 대학의 마틴 노블 박사. "올바로 접히는 단일 단백질을 설계하는 데는 수십억 년의 진화가 필요하지만 단백질이 서로 잘 맞도록 접고 닫힌 구조를 만드는 것은 또 다른 수준의 복잡성입니다."

워프 속도로 진화

새로운 작업의 핵심은 강화 학습입니다. 아마 들어 보셨을 것입니다. 뇌가 시행착오를 통해 학습하는 방식에 기반한 강화 학습은 전 세계를 강타한 여러 AI 에이전트를 지원합니다. 아마도 가장 잘 알려진 것은 보드 게임 바둑에서 인간 세계 챔피언을 이긴 DeepMind의 발명품인 AlphaGo일 것입니다. 최근에는 강화학습이 자율주행차의 속도 향상 및 더 나은 알고리즘을 개발하는 것조차 기본 계산을 간소화하여.

새로운 연구에서 팀은 몬테카를로 트리 검색(MCTS)이라는 일종의 강화 학습 알고리즘을 활용했습니다. 카지노 이동처럼 들리지만 최적화된 결정을 찾는 인기 있는 강화 학습 전략입니다.

알고리즘을 인생 결정의 나무로 묘사하십시오. 우리 모두는 언젠가 다른 선택을 했다면 우리의 삶이 어땠을지 궁금해했을 것입니다. 이러한 대안적 결정을 타임라인으로 그린다면, 짜잔, 각 분기 조합이 다른 결과로 이어지는 결정 트리가 있습니다.

그렇다면 MCTS는 일종의 인생 게임과도 같습니다. 선택 항목은 각 분기에서 무작위로 선택되고 트리의 해당 경로를 따릅니다. 최종 결과에 도달하면 트리를 다시 피드백하여 원하는 솔루션의 가능성을 높입니다. 다중 우주를 탐험하는 것과 같습니다. 모든 곳에서 모든 것을 한 번에—그러나 삶의 선택 대신에, 여기서는 단백질을 설계하기 위한 것입니다.

시작하기 위해 팀은 MCTS 알고리즘을 제공했습니다. 수백만 개의 단백질 조각 구체적인 건물 목표를 가지고 있습니다. 조각의 양은 신중하게 측정되었습니다. 각 계산 단계에서 숫자가 작을수록 AI의 학습 프로세스 속도가 빨라지고 최종 단백질의 다양성이 증가합니다. 그러나 더 많은 조각으로 인해 계산 시간과 에너지 사용량이 급증합니다. 딜레마의 균형을 맞추기 위해 팀은 단백질 디자인 검색을 시작하기 위한 출발점으로 여러 단백질 구조 요소를 구축했습니다.

그런 다음 알고리즘은 디지털 Play-Doh를 만지작거리듯 단백질 조각을 비틀거나 구부려 최종 단백질의 전체적인 기하학적 제약 조건(백본 및 조각이 자체 조립하는 데 도움이 되는 "부착 지점" 포함)을 통과했는지 확인합니다. 시뮬레이션이 승인되면 알고리즘에서 계산 경로가 "부스트"됩니다. 수만 번 헹구고 반복하면 프로그램이 특정 디자인에 대한 최적의 개별 부품을 연마할 수 있습니다.

엄청난 작업처럼 들리지만 알고리즘은 매우 효율적이었습니다. 각 반복은 평균적으로 수십 밀리초 밖에 걸리지 않았다고 팀은 설명했습니다.

주문형 단백질

결국 팀은 마치 건축가처럼 맞춤 요구 사항에 따라 단백질을 설계하는 강력한 알고리즘을 갖게 되었습니다. 한 테스트에서 AI는 프리즘에서 피라미드 및 알파벳 문자에 이르기까지 다양한 단백질 구조를 만들었으며 각 구조는 필요에 따라 특정 공간을 채웠습니다.

"우리의 접근 방식은 강화 학습을 사용하여 퍼즐 조각처럼 서로 맞는 단백질 모양을 만드는 문제를 해결하기 때문에 독특합니다. 이것은 이전의 접근 방식으로는 불가능했으며 우리가 구축할 수 있는 분자 유형을 변형시킬 수 있는 잠재력을 가지고 있습니다.” 말했다 연구 저자 Isaac Lutz.

그러나 AI 디자인은 어떻게 실생활로 변환됩니까?

개념 증명으로 팀은 충실도를 테스트하기 위해 실험실에서 수백 개의 단백질을 만들었습니다. 전자 현미경을 사용하여 AI가 설계한 단백질은 원자 규모에서 예측된 청사진과 거의 동일했습니다.

한 가지 눈에 띄는 디자인은 수십 개의 단백질 조각으로 만든 속이 빈 껍질이었습니다. 캡시드(capsid)라고 불리는 이 구조는 백신을 생성하기 위한 가이드로 자주 사용되는 바이러스 보호 단백질 층과 유사합니다. 이전 반복과 달리 AI 생성 포탄은 여러 부착 지점으로 밀집되어 있었습니다. 벽 앵커와 마찬가지로 이들은 구조가 비계 내부의 세포 또는 더 나은 패키지 재료(약물, 유전자 요법 또는 기타 생물학적 재료)에 도킹하는 데 도움이 될 수 있습니다.

약 10나노미터에서 이 나노캡시드는 "대부분의 바이러스보다 상당히 작다"고 팀은 설명했다.

몸집이 작은 크기는 큰 약용 펀치와 함께 제공되었습니다. 한 테스트에서 팀은 제대 정맥에서 인간 세포의 혈관 성장을 자극하는 데 도움이 되는 60개의 단백질 사본을 캡시드에 점재했습니다. AI가 만든 단백질 거품은 이전 나노입자보다 10배 이상 성능이 뛰어났다. 연구 저자 Hannele Ruohola-Baker 박사는 "당뇨병, 뇌 손상, 뇌졸중 및 혈관이 위험에 처한 기타 사례에 대한 잠재적인 응용 프로그램을 엽니다"고 말했습니다.

또 다른 실험에서는 20면 껍질의 조밀한 부착점을 최대한 활용하여 캡시드를 효율적인 백신으로 변형시켰습니다. 여기서 연구팀은 나노 캡시드에 독감 단백질 HA(인플루엔자 헤마글루티닌)를 융합해 쥐에 주입했다. 이미 임상 시험 중인 유사하지만 훨씬 더 큰 백신 설계와 비교할 때 AI가 설계한 솔루션은 더 강력한 면역 반응을 촉발했습니다.

현재 AI는 아직 초기 단계에 있습니다. 그러나 지난 20년이 보여주듯이 빠르게 발전할 것입니다. XNUMX면 쉘 및 기타 구조는 "이전에 설계되었거나 자연적으로 발생하는 구조와 구별된다"고 팀은 말했습니다. 크기는 작지만 운반 능력이 크기 때문에 잠재적으로 DNA가 들어 있는 세포핵 내부를 뚫고 유전자 편집 구성 요소를 효율적으로 이동할 수 있습니다.

"모든 종류의 건축물을 만들 수 있는 잠재력은 아직 완전히 탐구되지 않았습니다."라고 연구 저자 Shunzhi Wang 박사는 말했습니다.

이미지 크레디트: Ian Haydon/ UW Medicine Institute for Protein Design