Гибкие и подвижные: как машинное обучение помогает создавать новые белки
Естественный мир белков огромен, но создание новых белков, не встречающихся в природе, может дать новые функции и решить задачи в медицине или материаловедении. Последние несколько лет стали золотым веком de novo дизайна белков: методы машинного обучения обеспечили беспрецедентную точность моделирования. Это позволяет исследователям создавать белковые структуры с конкретными функциональными свойствами, ранее не наблюдавшимися.
Ключевая особенность функциональных белков — их структурная гибкость: они колеблются и меняют форму. Однако современные дизайнерские белки в значительной степени лишены этого важного свойства.
Исследователи из Гейдельбергского института теоретических исследований (HITS) и Института полимерных исследований Макса Планка (MPIP) задались вопросом, можно ли создавать белки с заданной гибкостью с нуля. Результаты работы были представлены на Международной конференции по машинному обучению (ICML) в Ванкувере.
Модель для белков de novo
«Мы хотели построить модель, которая учится генерировать белки так, чтобы их структуры были гибкими в заданной степени в заданной позиции», — говорит первый автор Всеволод Вилюга (MPIP).
Команда представила фреймворк для генерации гибких белковых структур. Он основан на нейронной сети, обученной предсказывать гибкость белковых остовов, и на генеративной модели белковой структуры.
«Природные белки так хорошо выполняют свои задачи, потому что они гибки там, где это необходимо. Теперь мы можем создавать новые белки, имитирующие это ключевое свойство», — отмечает соавтор Лейф Зойте (HITS).
Руководитель группы HITS Ян Штюмер добавляет: «Это расширение модели Geometric Algebra Flow Matching (GAFL), которую мы разработали в прошлом году».
GAFL работает в три раза быстрее аналогичных моделей, обладает высокой дизайнабельностью и лучше напоминает природные белки по различным аспектам.
Модель может генерировать белки с желаемыми паттернами гибкости, даже для паттернов, необычных в природных белках. Фрауке Гратер (MPIP), один из руководителей команды, резюмирует: «Эта работа — шаг вперед к созданию новых белков для применений, где требуется гибкость, например, для ферментов-катализаторов».