Искусственный интеллект помогает подбирать идеальные пары для белков

Исследователи из Международного университета Флориды (FIU) разработали новую модель машинного обучения, которая превосходит современное программное обеспечение в предсказании того, как белковые молекулы будут успешно связываться друг с другом. Результаты опубликованы в Nature Machine Intelligence.

Почему это сложно

Белки — это сложные трёхмерные структуры, состоящие из цепочек аминокислот, которые могут изгибаться и менять форму. Их способность связываться с другими молекулами (например, с лекарствами) критически зависит от их структуры, что делает поиск «ключа» к конкретному белку («замку») долгим и ресурсоёмким.

Как работает новая модель

Модель использует искусственный интеллект для оценки силы связывания белков на основе биологической и структурной информации:

• Распределение заряда.
• Взаимодействие с водой.
• Геометрическая форма поверхности.
• Расположение выступов и полостей, подходящих для связывания.

Также применяется усовершенствованный метод контрастирующего обучения, который помогает алгоритму делать более точные и тонкие предсказания.

Связь с предыдущими достижениями

Разработка стала логичным продолжением прорывного инструмента AlphaFold от DeepMind, который предсказывает 3D-структуру отдельных белков. «AlphaFold был отправной точкой. Мы знаем, как белки выглядят в 3D, но у нас не было ответов на вопрос, как они взаимодействуют или где именно они контактируют», — пояснил профессор Гири Нарасимхан.

Практическое значение

• Ускорение разработки: Модель сужает поиск оптимальных «кандидатов» для связывания из миллионов возможностей, экономя время и ресурсы на ранних этапах создания лекарств и вакцин.
• Рациональный дизайн: «Мы вступаем в эпоху рационального и эффективного дизайна лекарств, где можно использовать компьютер для визуализации и изучения взаимодействий, а затем создавать препараты "с нуля"», — отметил соавтор работы Прем Чапэгэйн.
• Перспектива персонализации: Метод открывает путь к созданию персонализированных лекарств, учитывающих индивидуальные различия в белковых структурах у разных людей, которые влияют на эффективность препаратов.

Исследовательская группа планирует продолжать работу и экспериментировать с другими инновационными способами применения ИИ для научных открытий.