ProteinGAN: генеративная состязательная сеть для создания функциональных белковых последовательностей

Белки — это крупные, высокосложные природные молекулы, выполняющие множество функций в живых организмах. Их свойства и трёхмерная структура определяются специфическим порядком аминокислот в цепи. Создание белков с заданными функциями остаётся сложной задачей.

Исследователи из Biomatter Designs, Вильнюсского университета и Технологического университета Чалмерса разработали ProteinGAN — генеративную состязательную сеть (GAN), которая «учится» на натуральных белковых последовательностях, а затем генерирует новые функциональные последовательности. Работа опубликована в Nature Machine Intelligence.

Как работает ProteinGAN

Модель основана на принципе состязательного обучения, где две нейронные сети играют в «игру»:

• Генератор создаёт искусственные белковые последовательности.
• Дискриминатор пытается отличить сгенерированные последовательности от настоящих.

Генератор использует обратную связь от дискриминатора, чтобы улучшать свои результаты. В процессе итеративного обучения обе сети совершенствуются, пока созданные последовательности не станут неотличимы от натуральных.

Результаты и применение

ProteinGAN успешно сгенерировал новые, высокоразнообразные белковые последовательности, чьи физические свойства схожи с природными. На примере фермента малатдегидрогеназы (MDH) учёные показали, что многие из созданных белков растворимы и обладают каталитической активностью MDH.

Это открывает путь к обнаружению новых белковых последовательностей с ценными свойствами для медицины, биотехнологий и научных исследований. В будущем подобные ИИ-технологии могут помочь в решении глобальных проблем, например, в создании организмов для борьбы с загрязнением пластиком.