AlphaProteo: Biyoloji ve sağlık araştırmaları için yeni proteinler üreten yapay zeka
(deepmind.google)- Protein etkileşimleri, hücre büyümesi ve bağışıklık tepkisi gibi temel biyolojik süreçleri belirler; AlphaProteo, bu etkileşimleri yönlendirecek yeni bağlayıcıların tasarımını otomatikleştirmeyi amaçlayan Google DeepMind'ın ilk yapay zeka sistemi
- Hedef proteinin yapısı ve istenen bağlanma bölgesi girildiğinde, Protein Data Bank ve AlphaFold tarafından tahmin edilmiş 100 milyondan fazla yapıdan öğrenilen örüntülerle aday proteinler üretiyor
- 7 hedef protein üzerinde yapılan deneylerde, mevcut en iyi yönteme kıyasla başarı oranı ve bağlanma afinitesi daha yüksek çıktı; bazı hedeflerde mevcut optimize bağlayıcılardan daha güçlü sonuçlar verdi
- BHRF1'de adayların %88'i laboratuvar testlerinde bağlandı ve VEGF-A'ya başarıyla bağlanan bir proteinin bir yapay zeka aracı tarafından tasarlandığı ilk örnek olarak tanıtıldı
- İlk protein bağlayıcı deneylerinin süresini azaltma potansiyeli yüksek olsa da, TNFɑ başarısızlığında görüldüğü gibi zor hedefler hâlâ mevcut; gerçek uygulamalara geçmeden önce ek doğrulama ve biyomühendislik iyileştirmeleri gerekiyor
AlphaProteo'nun hedeflediği protein bağlayıcı tasarımı
- Biyolojik süreçler, hücre büyümesinden bağışıklık tepkilerine kadar, büyük ölçüde proteinler arasındaki etkileşimlere dayanır
- AlphaFold gibi protein yapı tahmini araçları, protein etkileşimlerini anlama kapasitesini genişletti; ancak bu etkileşimleri doğrudan yönlendirecek yeni proteinler oluşturamıyor
- AlphaProteo, hedef moleküle güçlü biçimde bağlanan yeni protein bağlayıcıları tasarlayan Google DeepMind yapay zeka sistemidir
- Bu tür bağlayıcılar birçok araştırma alanında kullanılabilir
- İlaç geliştirme
- Hücre ve doku görüntüleme
- Hastalıkların anlaşılması ve teşhisi
- Zararlılara karşı mahsul direnci
Eğitim verisi ve üretim yöntemi
- AlphaProteo, Protein Data Bank'teki büyük ölçekli protein verileri ile AlphaFold'un tahmin ettiği 100 milyondan fazla yapıyı öğrendi
- Girdi, hedef molekülün yapısı ve üzerinde tercih edilen bağlanma konumları kümesidir
- Çıktı, belirtilen konuma bağlanacak şekilde tasarlanmış aday proteindir
- Mevcut güçlü protein bağlayıcı tasarımı zaman alır ve birden çok laboratuvar çalışması ile bağlanma afinitesi optimizasyonu gerektirir
7 hedef proteindeki deney sonuçları
- AlphaProteo, enfeksiyon, kanser, iltihaplanma ve otoimmün hastalıklarla ilişkili çeşitli hedef proteinler için bağlayıcılar tasarladı
- 7 hedefte in silico olarak üretilen aday proteinler, deneysel testlerde amaçlanan proteine güçlü biçimde bağlandı
- Genel test ölçütlerinde, mevcut en iyi tasarım yöntemine göre deneysel başarı oranı daha yüksek, bağlanma afinitesi ise 3 ila 300 kat daha iyiydi
- BHRF1'de aday moleküllerin %88'i, Google DeepMind Wet Lab testlerinde başarıyla bağlandı
- Test edilen hedefler genelinde, AlphaProteo bağlayıcıları mevcut en iyi tasarım yönteminden ortalama 10 kat daha güçlü bağlandı
- TrkA hedefinde, birçok deneysel optimizasyondan geçmiş mevcut tasarım bağlayıcılardan AlphaProteo bağlayıcıları daha güçlüydü
- VEGF-A'ya başarıyla bağlanan bir proteinin yapay zeka aracıyla tasarlanması ilk kez gerçekleşti
Dış doğrulama ve biyolojik işlev
- Google DeepMind, in silico doğrulama ve şirket içi wet lab testlerine ek olarak, bağlayıcıları Francis Crick Institute araştırma gruplarıyla doğruladı
- Doğrulamaya Peter Cherepanov, Katie Bentley, David LV Bauer araştırma grupları katıldı
- Bu gruplar, SC2RBD ve VEGF-A bağlayıcıları arasındaki bazı güçlü adayları daha derinlemesine test etti
- Bağlanma etkileşimlerinin AlphaProteo'nun tahminlerine benzer olduğu doğrulandı
- Bazı SC2RBD bağlayıcılarının, SARS-CoV-2 ve bazı varyantlarının hücreleri enfekte etmesini engellediği görüldü
TNFɑ başarısızlığı ve kalan zorluklar
- AlphaProteo, 8. hedef olan TNFɑ için başarılı bir bağlayıcı tasarlayamadı
- TNFɑ, romatoid artrit gibi otoimmün hastalıklarla ilişkili bir proteindir
- Hesaplamalı analizlerde TNFɑ, bağlayıcı tasarımı açısından çok zor bir hedef olarak değerlendirildi ve AlphaProteo'yu güçlü biçimde sınamak için seçildi
- Güçlü bağlanma elde etmek, pratik uygulamalarda işe yarayacak proteinler tasarlama sürecinde çoğu zaman ilk adımdır
- Araştırma ve geliştirme sürecinde hâlâ biyomühendislik engelleri bulunuyor
Sorumlu geliştirme ve gelecekteki kullanım alanları
- Protein tasarımı; hastalık nedenlerini anlama, virüs salgınlarında tanı testlerinin geliştirilmesini hızlandırma, sürdürülebilir üretim süreçlerini destekleme ve çevresel kirleticileri temizleme gibi birçok bilim alanında potansiyel taşıyor
- Google DeepMind, biyogüvenlik risklerini dikkate alarak dış uzmanlarla iş birliği yapıyor ve kademeli bir paylaşım yaklaşımı hazırlıyor
- Bu çalışma, NTI'nin yeni AI Bio Forum girişimi de dahil olmak üzere topluluk genelindeki en iyi uygulama geliştirme çabalarıyla bağlantılı
- Bundan sonra bilim topluluğuyla birlikte AlphaProteo'yu önemli biyolojik sorunlarda kullanma ve sınırlarını anlama yönünde çalışmayı planlıyor
- Isomorphic Labs, AlphaProteo'nun ilaç tasarımı uygulamalarını da araştırıyor
- Google DeepMind, AlphaProteo algoritmasının başarı oranını ve afinitesini artırmayı, ele alınabilecek tasarım problemlerinin kapsamını genişletmeyi ve makine öğrenimi, yapısal biyoloji ve biyokimya araştırmacılarıyla daha kapsamlı protein tasarım araçları geliştirmeyi hedefliyor
Henüz yorum yok.