ИИ и молекулярное моделирование помогают создавать лучшие растения
Исследователи из Национальной лаборатории Ок-Ридж Министерства энергетики США разработали новый инструмент, объединив искусственный интеллект с молекулярно-динамическим моделированием. Он позволяет точнее предсказывать, как растения и полезные микробы общаются и формируют партнерства на фундаментальном уровне.
Новый рабочий процесс на базе ИИ помогает ученым определить, какие гены растений контролируют формирование наиболее эффективных микробных партнерств. Это ускоряет разработку микробиомов, которые помогают растениям быстрее расти, требовать меньше удобрений и производить больше биомассы для преобразования в ценные виды топлива, химикаты и материалы. Такой подход ускоряет исследования в области энергетической и продовольственной безопасности страны и повышает конкурентоспособность США в глобальном биотехнологическом секторе.
Растения и микробы в их среде общаются с помощью химических сигналов — лигандов, формируя партнерства, которые стимулируют рост и здоровье растений. Ключевой класс лигандов, липо-хитоолигосахариды (LCO), представляет интерес для ученых ORNL, поскольку они способствуют этой симбиотической связи.
Однако предсказать, какие белки — крупные сложные молекулы в клетках, выполняющие определенные задачи — распознают и точно свяжутся с этими сигналами, было сложно из-за гибкой и большой молекулярной структуры LCO.
Существующие вычислительные инструменты, такие как программа AlphaFold, предсказывающая трехмерные формы белков, предлагают ограниченную помощь, поскольку в основном обучались на наборах данных, состоящих из более мелких, лекарственно-подобных лигандов. AlphaFold также обычно предсказывает статические взаимодействия, а не динамические флуктуации, характерные для LCO.
Чтобы получить более точные прогнозы соответствия «белок-лиганд», биофизики ORNL разработали гибридный подход, сочетающий молекулярно-динамическое (MD) моделирование, позволяющее более широко исследовать динамические структуры белков, с машинным обучением (ML). Модели ML обучались на большом наборе данных комплексов «белок-лиганд». Исследование опубликовано в Computational and Structural Biotechnology Journal.
Моделирование выполнялось на двух самых быстрых суперкомпьютерах страны — Frontier и Summit — в Центре передовых вычислений Ок-Ридж, пользовательском объекте Управления науки Министерства энергетики США в ORNL, посвященном открытой науке для ускорения инноваций и конкурентоспособности США.
Метод, названный MD/ML, ранжирует, насколько сильно растительные рецепторы связываются с лигандами, и работает даже тогда, когда начальные структуры белков являются лишь грубыми моделями. Исследование предсказало связывание, соответствующее экспериментальным лабораторным результатам, и выявило новые структурные детали о том, как это связывание происходит.
Молекулярный «матчмейкинг» ускоряет трансформацию растений
«Возможность быстро предсказывать эти молекулярные «совпадения» означает, что ученые могут сосредоточить свои эксперименты — экономя время и деньги», — сказала Эрика Пратес, со-руководитель проекта в группе вычислительной и прогностической биологии ORNL.
«Техника показала, что мы можем предсказать относительную силу связывания крупных, высоко гибких лигандов с белковыми рецепторами», — сказал Омар Демердаш, со-руководитель проекта в группе молекулярной биофизики ORNL. «Эта сила связывания в конечном итоге управляет тем, что происходит внутри клеток, включая то, какие гены включаются и множество других физиологических процессов. Это ключ к пониманию того, как растения взаимодействуют с микробами или как лекарства работают в организме человека для лечения болезней».
«Этот метод учитывает реальность, что белки не жесткие — они все время колеблются», — сказал Дэн Джейкобсон, автор-корреспондент статьи и специалист по вычислительной системной биологии в ORNL. «Но большинство наших инструментов для предсказания структуры белков на сегодняшний день в итоге генерируют статическую структуру, что приводит к жесткому представлению, оторванному от реальной гибкости. Выполняя молекулярное моделирование, которое учитывает движение белков, вы получаете гораздо лучший способ обнаружения этих событий связывания».
«Мы разработали способ получить гораздо лучшее понимание взаимодействия этих рецепторов в растениях с внешним микробным миром», — сказал Джейкобсон. «Это хорошее дополнение к нашему инструментарию для исследований взаимодействий растений и микробов, и у него есть более широкие применения, такие как изучение возможности повторного использования существующих лекарственных терапий для лечения заболеваний».