Метод машинного обучения повышает точность обратного сворачивания белка для разработки лекарств

Новый подход на основе искусственного интеллекта, разработанный исследователями из Университета Шеффилда и компании AstraZeneca, может упростить создание белков, необходимых для новых методов лечения.

В исследовании, опубликованном в журнале Nature Machine Intelligence, учёные из Шеффилда совместно с AstraZeneca и Университетом Саутгемптона создали новый фреймворк машинного обучения. Он показал потенциал для более точного решения задачи обратного сворачивания белка по сравнению с существующими передовыми методами.

Обратное сворачивание белка — это критически важный процесс для создания новых белков. Он заключается в определении аминокислотных последовательностей (строительных блоков белков), которые сворачиваются в желаемую 3D-структуру и позволяют белку выполнять определённые функции.

Инженерия белков играет ключевую роль в разработке лекарств, позволяя создавать белки, способные связываться с конкретными мишенями в организме. Однако этот процесс сложен из-за комплексности сворачивания белков и трудностей в предсказании того, как аминокислотные последовательности будут взаимодействовать, образуя функциональные структуры.

Учёные обратились к машинному обучению, чтобы точнее предсказывать, какие аминокислотные последовательности свернутся в стабильные, функциональные белковые структуры. Такие модели обучаются на больших наборах данных известных белковых последовательностей и структур.

Новый фреймворк MapDiff от Университета Шеффилда, AstraZeneca и Университета Саутгемптона превзошёл самые современные ИИ-системы по успешности предсказаний в симулированных тестах. Эти результаты — многообещающая основа для дальнейшего развития технологии, которое в случае успеха может ускорить разработку ключевых белков для создания новых вакцин, генной терапии и других терапевтических методов.

MapDiff также дополняет другие недавние достижения, такие как AlphaFold, который предсказывает 3D-структуру белка, используя обратный подход: начиная со свёрнутой структуры и определяя потенциальные аминокислотные последовательности.

«Эта работа представляет собой значительный шаг вперёд в использовании ИИ для проектирования белков с желаемыми структурами. Научившись генерировать аминокислотные последовательности, которые с высокой вероятностью сворачиваются в специфические 3D-структуры, наш метод открывает новые возможности для создания новых терапевтических белков», — заявил Хайпин Лу, профессор машинного обучения в Университете Шеффилда и автор-корреспондент исследования.

«Я горжусь, что наш метод MapDiff помогает проектировать белковые последовательности, которые с большей вероятностью сворачиваются в желаемые 3D-структуры — ключевой шаг на пути к разработке терапевтических средств следующего поколения», — отметил Пэйчжэнь Бай, старший специалист по машинному обучению в AstraZeneca, разработавший ИИ в рамках своей докторской диссертации.