This AI Can Design Complex Proteins Perfectly Tailored To Our Needs

Republicat de Platon

Urmaritori: 0

Construirea proteinelor cu IA este ca și cum ai mobila o casă.

Există două strategii principale. Una este abordarea IKEA: cumperi piese prefabricate care se potrivesc cu ușurință, dar nu poți decât să speri că mobilierul se potrivește oarecum spațiului tău. Deși este relativ simplu, nu aveți control asupra dimensiunilor sau funcțiilor produsului final.

Cealaltă cale începe cu o viziune și un design perfect adaptate nevoilor dumneavoastră. Dar partea grea este să găsești – sau să construiești – piese individuale pentru designul personalizat.

Aceleași două metode se aplică pentru inginerie complexe de proteine folosind AI. Similar cu un cabinet, complexele proteice sunt formate din mai multe subunități care se leagă complicat. Aceste megastructuri – cu forme care variază de la o matriță cu douăzeci de fețe până la tuneluri care se deschid și se închid – formează baza metabolismului nostru, a apărării imune și a funcțiilor creierului.

Încercările anterioare de modelare a arhitecturilor proteice au folosit în mare parte abordarea IKEA. Este revoluționar: modelele bazate pe inteligență artificială au făcut-o deja a generat vaccinuri COVID cu viteza fulgerului. Deși puternică, abordarea este limitată de „blocurile de bază” proteice disponibile.

Luna aceasta, o echipă condusă de Dr. David Baker de la Universitatea din Washington a luat designul proteinelor la un nou nivel personalizat. Pornind de la dimensiuni, forme și alte proprietăți specifice, echipa a folosit un algoritm de învățare automată pentru a construi complexe de proteine adaptate răspunsurilor biologice specifice.

Cu alte cuvinte, mai degrabă decât metoda obișnuită de jos în sus, au mers de sus în jos.

Un design, de exemplu, este o carcasă cu 20 de fețe care imită stratul protector exterior al virușilor. Când este presărată cu proteine care stimulează imunitatea din virusul gripal, învelișul proteic proiectat de IA a declanșat un răspuns imunitar la șoareci, care a depășit cele mai recente candidați la vaccin în studiile clinice.

AI nu este doar pentru vaccinuri. Aceeași strategie ar putea construi purtători mai compacti și mai eficienți pentru terapiile genetice sau ar putea transporta anticorpi și alte medicamente care au nevoie de protecție suplimentară împotriva defalcării imediate în organism.

Dar, mai larg, studiul arată că este posibil să se proiecteze arhitecturi de proteine extrem de complexe pornind de la o viziune de ansamblu, mai degrabă decât să lucreze cu echivalentul biologic al plăcilor de două pe patru.

„Este uimitor că echipa a putut face asta” a spus Dr. Martin Noble de la Universitatea Newcastle, care nu a fost implicat în lucrare. „Este nevoie de miliarde de ani de evoluție pentru a proiecta proteine unice care se pliază corect, dar acesta este un alt nivel de complexitate, pentru a plia proteinele pentru a se potrivi atât de bine împreună și a face structuri închise.”

Evoluție la viteză Warp

În centrul noii lucrări se află învățarea prin consolidare. Probabil ai auzit de el. Bazat pe modul în care creierul învață prin încercări și erori, învățarea prin întărire alimentează mai mulți agenți AI care au luat lumea cu asalt. Poate cel mai cunoscut este AlphaGo, creația DeepMind care a triumfat asupra campionului mondial uman în jocul de masă Go. Mai recent, învățarea prin întărire a fost accelerarea progresului în mașinile autonome și chiar dezvoltând algoritmi mai buni prin eficientizarea calculelor fundamentale.

În noul studiu, echipa a folosit un tip de algoritm de învățare prin întărire numit căutarea arborelui Monte Carlo (MCTS). Deși sună ca o mișcare de cazinou, este o strategie populară de învățare prin consolidare care caută decizii optimizate.

Imaginează-ți algoritmul ca pe un arbore al deciziilor tale de viață. Probabil că toți ne-am întrebat cum ar fi viața noastră dacă am face o alegere diferită la un moment dat. Dacă trasezi acele decizii alternative ca o cronologie - voilà, ai un arbore de decizie, fiecare combinație de ramuri ducând la un rezultat diferit.

MCTS, deci, este un pic ca jocul vieții. Alegerile sunt selectate aleatoriu la fiecare ramură și urmate pe acea cale a copacului. Odată ce ajunge la rezultatul final, alimentează copac pentru a crește probabilitatea soluției dorite. Este ca și cum ai explora multiversul în Totul, Pretutindeni, Toate Odată— dar în loc de alegeri de viață, aici este pentru proiectarea proteinelor.

Pentru început, echipa a alimentat algoritmul MCTS milioane de fragmente proteice cu obiective specifice de construcție. Cantitățile de fragmente au fost cântărite cu atenție: un număr mai mic la fiecare pas de calcul accelerează procesul de învățare al AI și crește diversitatea proteinei finale. Dar mai multe piese determină, de asemenea, timpul de calcul și utilizarea energiei să crească vertiginos. Echilibrand dilema, echipa a construit mai multe elemente structurale de proteine ca punct de plecare pentru a incepe cautarea de design de proteine.

Asemenea bâjbâirii cu Play-Doh digital, algoritmul a răsucit sau a îndoit apoi fragmente de proteine pentru a vedea dacă au trecut de constrângerile geometrice generale ale proteinei finale, inclusiv coloana vertebrală și „punctele de atașare” pentru a ajuta fragmentele să se autoasambla. Dacă simulările au primit degetul mare, căile lor de calcul au fost „amplificate” în algoritm. Clătiți și repetați de zeci de mii de ori, iar programul se poate concentra asupra pieselor individuale optime pentru un anumit design.

Deși sună ca o întreprindere masivă, algoritmul a fost extrem de eficient. Fiecare iterație a durat în medie doar zeci de milisecunde, a explicat echipa.

Proteine la cerere

În cele din urmă, echipa a avut un algoritm puternic care, ca un arhitect, a proiectat proteine pe baza nevoilor personalizate. Într-un test, AI a creat o serie de structuri de proteine, de la prisme la piramide și litere ale alfabetului, fiecare umplând un spațiu specific, după cum este necesar.

„Abordarea noastră este unică, deoarece folosim învățarea prin întărire pentru a rezolva problema creării de forme de proteine care se potrivesc împreună ca piesele unui puzzle. Acest lucru pur și simplu nu a fost posibil folosind abordări anterioare și are potențialul de a transforma tipurile de molecule pe care le putem construi.” a spus autorul studiului Isaac Lutz.

Dar cum se traduc modelele AI în viața reală?

Ca o dovadă a conceptului, echipa a făcut sute de proteine în laborator pentru a testa fidelitatea. Folosind un microscop electronic, proteinele proiectate de IA au fost aproape identice cu modelele prezise la scara atomică.

Un design remarcabil a fost o coajă goală făcută cu zeci de bucăți de proteine. Numită capsidă, structura seamănă cu stratul proteic protector pentru viruși – unul folosit adesea ca ghid pentru a genera vaccinuri. Spre deosebire de iterațiile anterioare, carcasele generate de AI erau pline dens cu mai multe puncte de atașare. La fel ca ancorele de perete, acestea pot ajuta structurile să se acopere de celule sau de un material mai bun de ambalare - medicamente, terapii genetice sau alte materiale biologice - în interiorul schelei.

La aproximativ 10 nanometri, aceste nano-capside sunt „considerabil mai mici decât majoritatea celor virale”, a explicat echipa.

Dimensiunea minionă a venit cu un pumn medicinal mare. Într-un test, echipa a punctat capsidele cu 60 de copii ale unei proteine care ajută la stimularea creșterii vaselor de sânge în celulele umane din venele ombilicale. Bula de proteine creată de inteligență artificială a depășit de peste 10 ori o nanoparticulă anterioară. Acest lucru „deschide aplicații potențiale... pentru diabet, leziuni cerebrale, accidente vasculare cerebrale și alte cazuri în care vasele de sânge sunt în pericol”, a spus autorul studiului, dr. Hannele Ruohola-Baker.

Un alt experiment a profitat din plin de punctele dense de atașare de pe învelișul cu 20 de laturi, transformând capsida într-un vaccin eficient. Aici, echipa a fuzionat o proteină gripală HA (hemaglutinină gripală) la nano-capside și a injectat-o în șoareci. În comparație cu un design de vaccin similar, dar mult mai mare, aflat deja în studii clinice, soluția concepută de IA a declanșat un răspuns imunitar mai puternic.

Deocamdată, IA este încă în fazele sale incipiente. Dar, după cum au arătat ultimii doi ani, va evolua rapid. Carcasa cu 20 de laturi și alte structuri „sunt distincte de orice structuri proiectate anterior sau care apar în mod natural”, a spus echipa. Datorită dimensiunilor lor mici, dar capacității de transport mari, ele pot tunel în interiorul nucleului celulei - care găzduiește ADN-ul - și pot transporta eficient componentele de editare a genelor.

„Potențialul său de a realiza tot felul de arhitecturi nu a fost încă explorat pe deplin”, a spus autorul studiului, dr. Shunzhi Wang.

Credit imagine: Ian Haydon/ UW Medicine Institute for Protein Design