Sztuczna inteligencja DeepMind do składania białek rozwiązała 50-letnie wielkie wyzwanie biologii

CASP / DeepMind

DeepMind ma już na koncie serię zwycięstw, prezentując sztuczną inteligencję, która nauczyła się grać w różne złożone gry z nadludzkimi umiejętnościami, od Go i StarCrafta po cały tylny katalog Atari. Ale Demis Hassabis, publiczna twarz i współzałożyciel DeepMind, zawsze podkreślał, że te sukcesy były tylko krokiem w kierunku większego celu: sztucznej inteligencji, która faktycznie pomaga nam zrozumieć świat.

Dziś DeepMind i organizatorzy długoletniego Krytyczna ocena przewidywania struktury białka (CASP) konkurs ogłosił sztuczną inteligencję, która powinna wywrzeć ogromny wpływ, którego szukał Hassabis. ten najnowsza wersja AlphaFold firmy DeepMind , system głębokiego uczenia, który potrafi dokładnie przewidywać strukturę białek z dokładnością do szerokości atomu, rozwiązał jedno z największych wyzwań biologii. To pierwsze użycie sztucznej inteligencji do rozwiązania poważnego problemu, mówi John Moult z University of Maryland, który kieruje zespołem prowadzącym CASP.

Białko składa się ze wstęgi aminokwasów, która składa się z wielu skomplikowanych zakrętów i splotów. Ta struktura określa, co robi. A ustalenie, co robią białka, jest kluczem do zrozumienia podstawowych mechanizmów życia, kiedy działają, a kiedy nie. Wysiłki zmierzające do opracowania szczepionek na Covid-19 koncentrowały się na przykład na białku kolcowym wirusa. Sposób, w jaki koronawirus wdziera się na ludzkie komórki, zależy od kształtu tego białka oraz od kształtu białek na zewnątrz tych komórek. Kolec to tylko jedno białko wśród miliardów wszystkich żywych organizmów; w samym ludzkim ciele znajdują się dziesiątki tysięcy różnych rodzajów białek.

Powiązana historia

AI zmaga się z kryzysem replikacji Giganci technologiczni dominują w badaniach, ale granica między prawdziwym przełomem a prezentacją produktów może być niewyraźna. Niektórzy naukowcy mają już dość.

W tegorocznym CASP AlphaFold przewidział strukturę dziesiątek białek z marginesem błędu wynoszącym zaledwie 1,6 angstrema — czyli 0,16 nanometra, czyli wielkości atomu. To znacznie przewyższa wszystkie inne metody obliczeniowe i po raz pierwszy odpowiada dokładności technik stosowanych w laboratorium, takich jak mikroskopia krioelektronowa , magnetyczny rezonans jądrowy oraz Krystalografia rentgenowska . Techniki te są drogie i powolne: mogą wymagać setek tysięcy dolarów i lat prób i błędów dla każdego białka. AlphaFold może znaleźć kształt białka w ciągu kilku dni.

Przełom może pomóc naukowcom zaprojektować nowe leki i zrozumieć choroby. W dłuższej perspektywie przewidywanie struktury białek pomoże również w projektowaniu białek syntetycznych, takich jak enzymy trawiące odpady lub produkujące biopaliwa. Naukowcy badają również sposoby wprowadzenia syntetycznych białek, które zwiększą plony i sprawią, że rośliny będą bardziej pożywne.

To bardzo znaczący postęp, mówi Mohammed AlQuraishi, biolog systemowy z Columbia University, który opracował własne oprogramowanie do przewidywania struktury białek. To coś, czego po prostu nie spodziewałem się, że stanie się tak szybko. W pewnym sensie to szokujące.

To naprawdę wielka sprawa, mówi David Baker, szef Instytutu Projektowania Białka na Uniwersytecie Waszyngtońskim i lider zespołu odpowiedzialnego za Rosettę, rodzinę narzędzi do analizy białek. To niesamowite osiągnięcie, podobnie jak to, co zrobili z Go.

Liczby astronomiczne

Identyfikacja struktury białka jest bardzo trudna. W przypadku większości białek naukowcy mają sekwencję aminokwasów w wstążce, ale nie mają wykrzywionego kształtu, w który się składają. Każda sekwencja ma zazwyczaj astronomiczną liczbę możliwych kształtów. Badacze zmagają się z tym problemem co najmniej od lat 70., kiedy to Christian Anfinsen otrzymał nagrodę Nobla za wykazanie, że sekwencje determinują strukturę.

Uruchomienie CASP w 1994 roku dało impuls tej dziedzinie. Co dwa lata organizatorzy publikują około 100 sekwencji aminokwasowych dla białek, których kształty zostały zidentyfikowane w laboratorium, ale nie zostały jeszcze upublicznione. Dziesiątki zespołów z całego świata konkurują, aby znaleźć właściwy sposób na złożenie ich za pomocą oprogramowania. Wiele narzędzi opracowanych dla CASP jest już używanych przez naukowców medycznych. Ale postęp był powolny, a dwie dekady stopniowych postępów nie doprowadziły do ​​skrótu do żmudnej pracy laboratoryjnej.

CASP dostał wstrząs, którego szukał, kiedy DeepMind wszedł do konkursu w 2018 roku ze swoim pierwsza wersja AlphaFold . Wciąż nie mógł dorównać dokładności laboratorium, ale pozostawił inne techniki obliczeniowe w pyle. Badacze zauważyli: wkrótce wielu z nich dostosowywało własne systemy, aby działały bardziej jak AlphaFold.

W tym roku ponad połowa zgłoszeń wykorzystuje jakąś formę głębokiego uczenia się, mówi Moult. W rezultacie ogólna dokładność była wyższa. Nowy system Bakera, zwany trRosetta, wykorzystuje niektóre z pomysłów DeepMind z 2018 roku. Ale i tak zajął bardzo odległe drugie miejsce, mówi.

W CASP wyniki są oceniane za pomocą tak zwanego globalnego testu odległości (GDT), który mierzy w skali od 0 do 100, jak blisko przewidywanej struktury jest rzeczywisty kształt białka zidentyfikowanego w eksperymentach laboratoryjnych. Najnowsza wersja AlphaFold uzyskała dobre wyniki dla wszystkich białek biorących udział w wyzwaniu. Ale około dwóch trzecich z nich uzyskało wynik GDT powyżej 90. Jego GDT dla najtwardszych białek było o 25 punktów wyższe niż następnego najlepszego zespołu, mówi John Jumper, który kieruje zespołem AlphaFold w DeepMind. W 2018 roku przewaga wynosiła około sześciu punktów.

Wynik powyżej 90 oznacza, że ​​wszelkie różnice między przewidywaną strukturą a rzeczywistą strukturą mogą wynikać z błędów eksperymentalnych w laboratorium, a nie z błędu oprogramowania. Może to również oznaczać, że przewidywana struktura jest prawidłową konfiguracją alternatywną do tej zidentyfikowanej w laboratorium, w zakresie naturalnej zmienności.

Według Jumpera w konkursie były cztery białka, nad którymi niezależni sędziowie nie zakończyli jeszcze pracy w laboratorium, a przewidywania AlphaFold wskazywały im właściwe struktury.

AlQuraishi pomyślał, że przejście od wyników AlphaFold z 2018 r. do tegorocznych zajmie naukowcom 10 lat. To blisko fizycznego limitu, jak dokładny możesz uzyskać, mówi. Te struktury są zasadniczo dyskietki. Nie ma sensu mówić o rozdzielczościach znacznie poniżej tego.

Kawałki puzzli

AlphaFold opiera się na pracy setek naukowców z całego świata. DeepMind skorzystał również z szerokiej wiedzy specjalistycznej, tworząc zespół biologów, fizyków i informatyków. Szczegóły, jak to działa, zostaną opublikowane w tym tygodniu na konferencji CASP oraz w recenzowanym artykule w specjalnym wydaniu czasopisma Białka Następny rok. Wiemy jednak, że wykorzystuje formę sieci uwagi, technikę głębokiego uczenia się, która pozwala sztucznej inteligencji na trenowanie poprzez skupienie się na częściach większego problemu. Jumper porównuje podejście do układania układanki: najpierw składa w całość lokalne kawałki, a następnie łączy je w całość.

DeepMind wytrenował AlphaFold na około 170 000 białkach pobranych z banku danych białek, publicznego repozytorium sekwencji i struktur. Porównano wiele sekwencji w banku danych i szukano par aminokwasów, które często kończą się blisko siebie w złożonych strukturach. Następnie wykorzystuje te dane do odgadnięcia odległości między parami aminokwasów w strukturach, które nie są jeszcze znane. Jest również w stanie ocenić, jak dokładne są te domysły. Szkolenie trwało kilka tygodni, wykorzystując moc obliczeniową odpowiadającą od 100 do 200 procesorów graficznych.

Powiązana historia

Sztuczna inteligencja ogólna: czy jesteśmy blisko i czy warto próbować?

Maszyna, która może myśleć jak człowiek, była wiodącą wizją badań nad sztuczną inteligencją od najwcześniejszych dni — i pozostaje jej najbardziej dzielącą ideą.

Dame Janet Thornton z Europejskiego Instytutu Bioinformatyki w Cambridge w Wielkiej Brytanii pracuje nad białkami od 50 lat. To naprawdę tak długo, jak ten problem istnieje, powiedziała na konferencji prasowej w zeszłym tygodniu. Zaczynałem myśleć, że nie uda się rozwiązać tego za mojego życia.

Wiele leków projektuje się, symulując ich trójwymiarową strukturę molekularną i szukając sposobów na umieszczenie tych cząsteczek w docelowych białkach. Oczywiście można to zrobić tylko wtedy, gdy znana jest struktura tych białek. Tak jest w przypadku zaledwie jednej czwartej z około 20 000 ludzkich białek, mówi Thornton. To pozostawia 15 000 niewykorzystanych celów narkotykowych. AlphaFold otworzy nowy obszar badań.

DeepMind mówi, że planuje zbadać leiszmaniozę, śpiączkę i malarię, wszystkie choroby tropikalne wywoływane przez pasożyty, ponieważ są one powiązane z wieloma nieznanymi strukturami białkowymi.

Jedną z wad AlphaFold jest to, że jest powolna w porównaniu z konkurencyjnymi technikami. System AlQuraishi, który wykorzystuje algorytm zwany rekurencyjną siecią geometryczną (RGN), może znaleźć struktury białkowe milion razy szybciej —zwracanie wyników w ciągu sekund, a nie dni. Jego przewidywania są mniej dokładne, ale w przypadku niektórych aplikacji ważniejsza jest prędkość, mówi.

Naukowcy czekają teraz, aby dowiedzieć się dokładnie, jak działa AlphaFold. Kiedy opiszą światu, jak to robią, zakwitnie tysiąc kwiatów, mówi Baker. Ludzie będą go używać do różnych rzeczy, rzeczy, których nie możemy sobie teraz wyobrazić.

Nawet mniej dokładny wynik byłby dobrą wiadomością dla osób pracujących z enzymami lub bakteriami, mówi AlQuraishi: Ale mamy coś jeszcze lepszego, co ma bezpośrednie znaczenie dla zastosowań farmaceutycznych.

ukryć