Нейросеть помогает создавать принципиально новые белки
Белки выполняют множество биологических задач благодаря уникальным пространственным структурам, собранным из простых строительных блоков. Перевод почти безграничной библиотеки таких структур в соответствующие функции позволил бы исследователям создавать белки для конкретных применений.
В Journal of Applied Physics Маркус Бюлер из Массачусетского технологического института объединил трансформеры (нейросети внимания) с графовыми нейронными сетями, чтобы лучше понимать и проектировать белки. Этот подход сочетает сильные стороны геометрического глубокого обучения и языковых моделей, чтобы не только предсказывать свойства существующих белков, но и представлять новые, ещё не созданные природой.
"С этим новым методом мы можем использовать всё, что изобрела природа, в качестве базы знаний, моделируя лежащие в основе принципы", — сказал Бюлер. — "Модель рекомбинирует эти естественные строительные блоки для достижения новых функций".
Белки исторически сложно моделировать из-за их комплексных структур, способности к многозадачности и тенденции менять форму в растворе. Машинное обучение показало способность переводить наноразмерные силы, управляющие поведением белка, в рабочие модели. Однако обратная задача — превратить желаемую функцию в структуру белка — остаётся сложной.
Чтобы преодолеть это, модель Бюлера преобразует числа, описания, задачи и другие элементы в символы для использования нейросетями.
- Сначала модель обучили предсказывать последовательность, растворимость и аминокислотные блоки различных белков на основе их функций.
- Затем её научили генерировать принципиально новые структуры, получая начальные параметры для желаемой функции нового белка.
Этот подход позволил создать твёрдые версии антимикробных белков, которые ранее приходилось растворять в воде. В другом примере команда взяла природный белок шёлка и эволюционировала его в различные новые формы, включая спиральную структуру для большей эластичности и складчатую структуру для повышенной прочности.
Модель выполнила многие ключевые задачи по дизайну белков, но подход может быть расширен за счёт большего числа входных данных и задач, что сделает его ещё мощнее.
"Большим сюрпризом стало то, что модель показала исключительные результаты, несмотря на то, что была разработана для решения множества задач. Вероятно, это потому, что модель учится больше, рассматривая разнообразные задачи", — отметил Бюлер. — "Это означает, что вместо создания специализированных моделей для конкретных задач исследователи теперь могут мыслить широко в терминах многозадачных и мультимодальных моделей".
Широта подхода означает, что модель может быть применена и за пределами белкового дизайна.
"Хотя наше текущее внимание сосредоточено на белках, этот метод имеет огромный потенциал в материаловедении", — сказал Бюлер. — "Мы особенно заинтересованы в изучении поведения материалов при разрушении, стремясь создавать материалы с определёнными режимами отказа".