AlphaFold научили предсказывать структуры очень крупных белков с учётом экспериментальных данных
Искусственный интеллект AlphaFold был усовершенствован, и теперь он может предсказывать форму очень крупных и сложных белковых структур. Исследователи из Университета Линчёпинга также успешно интегрировали в инструмент экспериментальные данные. Результаты, опубликованные в Nature Communications, — шаг к более эффективной разработке новых белков, в том числе для медицинских препаратов.
Белки — большие молекулы, состоящие из 20 различных аминокислот, которые соединяются в длинные цепочки. Последовательности могут содержать от 50 до нескольких тысяч аминокислот, что порождает миллиарды комбинаций и определяет трёхмерную форму белка. Именно способ сворачивания (фолдинга) цепи определяет функцию белка.
Более 50 лет учёные пытались предсказывать и создавать различные белковые структуры для понимания механизмов организма, болезней и разработки лекарств. Это был трудоёмкий и дорогой процесс.
В 2020 году компания Deepmind выпустила открытое программное обеспечение AlphaFold. Это ИИ на основе нейронных сетей, способный с высокой точностью предсказывать, как будут сворачиваться белки. Это достижение было отмечено Нобелевской премией по химии 2024 года.
Однако у программы были ограничения: она не могла предсказывать очень крупные белковые комплексы и делать выводы на основе экспериментальных или неполных данных.
Исследователи из Университета Линчёпинга разработали инструмент AF_unmasked, который устраняет эти недостатки. Теперь он может:
- Принимать информацию из экспериментов и частичных данных.
- Предсказывать очень крупные и сложные белковые структуры.
«Мы даём AlphaFold новый тип входных данных. Идея в том, чтобы получить полную картину — и от экспериментов, и от нейронных сетей, — что позволяет строить более крупные структуры. Также можно загрузить в AlphaFold черновой вариант структуры и получить относительно точный результат», — говорит доцент Клаудио Мирабелло.
Идея AF_unmasked — помочь исследователям уточнять проведённые эксперименты, давая рекомендации по дизайну белка. Это шаг к лучшему пониманию функций белков и созданию новых белковых препаратов.
Прорыв AlphaFold стал возможен благодаря данным о структуре примерно 200 000 различных белков, собранным с 1970-х годов в базу данных, которая использовалась для обучения ИИ. Ключевую роль также сыграло развитие суперкомпьютеров с GPU для сложных вычислений.
«Возможности белкового дизайна безграничны, ограничивает только воображение. Можно разрабатывать белки для использования как внутри, так и вне организма. Всегда приходится искать новые, более сложные проблемы, когда старые решены. А в нашей области найти проблемы — не проблема», — говорит профессор биоинформатики Бьёрн Валльнер.
Вместе с Мирабелло он разработал предшественника AlphaFold, который вдохновил Deepmind. Благодаря ресурсам компании, принадлежащей Google, они смогли создать инструмент, ставший незаменимым для учёных-протеомиков всего мира.
«AlphaFold был не первым инструментом, использовавшим глубокие нейронные сети для решения этой проблемы. Фактически, одна из самых важных характеристик AlphaFold — кодирование эволюционной истории белка внутри нейронной сети. Эта идея зародилась здесь, в Университете Линчёпинга, и была опубликована Бьёрном и мной в 2019 году. Так что можно сказать, что AlphaFold был основан на нашей идее, а теперь мы развиваем AlphaFold», — отмечает Клаудио Мирабелло.