ИИ-модель PepFlow предсказывает все возможные формы пептидов, превосходя AlphaFold2

Исследователи из Университета Торонто разработали модель глубокого обучения PepFlow, которая предсказывает все возможные пространственные формы (конформации) пептидов — цепочек аминокислот, короче белков, но выполняющих схожие биологические функции.

PepFlow сочетает машинное обучение и физику для моделирования диапазона структур сворачивания пептида на основе его энергетического ландшафта. В отличие от белков, пептиды — очень динамичные молекулы, способные принимать множество конформаций.

«До сих пор мы не могли смоделировать весь спектр конформаций пептидов, — сказал первый автор исследования Осма Абдин. — PepFlow использует глубокое обучение для получения точных конформаций пептида за считанные минуты. Эта модель может помочь в разработке лекарств через создание пептидов, выступающих в роли связывающих агентов».

Исследование опубликовано в журнале Nature Machine Intelligence.

Функция пептида в организме напрямую связана с тем, как он сворачивается, поскольку его 3D-структура определяет способ связывания и взаимодействия с другими молекулами. Пептиды отличаются высокой гибкостью и вовлечены во многие биологические процессы, представляющие интерес для разработки терапевтических средств.

«Пептиды стали фокусом модели PepFlow, потому что это очень важные биологические молекулы, и они по своей природе очень динамичны, — отметил руководитель исследования Филип М. Ким. — Они также важны как терапевтические средства, примером чему служат аналоги GLP1, такие как Ozempic, для лечения диабета и ожирения».

Новая модель расширяет возможности ведущей ИИ-системы Google Deepmind для предсказания структуры белков — AlphaFold. PepFlow превосходит AlphaFold2, генерируя диапазон конформаций для заданного пептида, что не было задачей AlphaFold2.

Что отличает PepFlow:

• Это обобщённая модель, вдохновлённая генераторами Больцмана — передовыми физическими моделями машинного обучения.
• Может моделировать необычные структуры пептидов, например, кольцеобразные (макроциклы), которые являются перспективным направлением в разработке лекарств.

Текущие ограничения и будущее развитие:

Как первая версия модели, PepFlow имеет ограничения. Авторы отмечают возможности для улучшения, включая обучение модели с явными данными для атомов растворителя и с учётом ограничений на расстояния между атомами в кольцевых структурах.

Модель построена для лёгкого расширения. Даже в первой версии PepFlow представляет собой комплексный и эффективный инструмент, способный ускорить разработку методов лечения, зависящих от связывания пептидов.

«Моделирование с помощью PepFlow даёт представление о реальном энергетическом ландшафте пептидов, — сказал Абдин. — На разработку PepFlow ушло два с половиной года, а на обучение — один месяц, но это того стоило, чтобы выйти на новый уровень за рамками моделей, предсказывающих лишь одну структуру пептида».