Искусственный интеллект ускорит открытие функций микробных генов
Международная исследовательская группа предложила стратегию, использующую искусственный интеллект (ИИ) для радикального ускорения открытия функций микробных генов. Несмотря на расшифровку геномов, роли значительной части генов остаются неизвестными.
Команда под руководством профессора Санг Юп Ли из KAIST и профессора Бернхарда Палссона из UCSD опубликовала обзор в журнале Nature Microbiology, систематизирующий современные подходы на основе ИИ.
Проблема и подход
Традиционные экспериментальные методы (делеция генов, анализ экспрессии, in vitro тесты) остаются медленными и дорогими. Для преодоления этих барьеров необходим подход, объединяющий вычислительную и экспериментальную биологию.
Ключевые технологии ИИ
В обзоре рассмотрены методы от анализа сходства последовательностей до новейших моделей глубокого обучения. Особое внимание уделено технологиям предсказания 3D-структуры белков, таким как AlphaFold (Google DeepMind) и RoseTTAFold (University of Washington). Эти инструменты позволяют не только оценивать функцию, но и понимать механизмы её работы.
Генеративный ИИ расширяет границы, позволяя проектировать белки с заданными функциями.
Активное обучение и будущее
На примере транскрипционных факторов и ферментов команда показала направления исследований, интегрирующих анализ последовательностей, предсказание структур и метагеномику.
Ключевая идея — внедрение цикла активного обучения: ИИ-модель идентифицирует прогнозы с высокой неопределённостью и предлагает эксперименты для их проверки. Результаты используются для улучшения модели, что позволяет эффективно валидировать наиболее важные функции.
Для этого необходима интеграция с автоматизированными экспериментальными платформами (биофаундри) и общая исследовательская инфраструктура. Важно также делиться «неудачными данными» — результатами экспериментов, не давших ожидаемого результата.
«Несмотря на прогресс в предсказаниях, разработка "объяснимого ИИ", дающего биологическое обоснование результатам, остаётся критической задачей», — отметил соавтор работы доктор Ги Бэ Ким (KAIST).
«Ключ к преодолению предела — сочетание системной, управляемой ИИ экспериментальной схемы с автоматизированной инфраструктурой под руководством учёных. Необходима экосистема, где предсказание и валидация постоянно связаны», — подчеркнул профессор Санг Юп Ли.