Перейти к содержимому
Prof. Dr. Mustafa Özdoğan · Врач-онколог

Это изменит всё! Искусственный интеллект Google DeepMind раскрывает структуры белков

Это изменит всё! Искусственный интеллект Google DeepMind раскрывает структуры белков

Учёные говорят, что программы Google для определения 3-мерной (3D) формы белков на основе глубокого обучения стоят на пороге коренных перемен в биологии. Мы на пороге революции в открытии новых лекарств .

Google: искусственный интеллектнейронной сети, разработанной дочерней компанией DeepMind, сделал огромный шаг к решению одной из крупнейших задач биологии — определению по последовательности аминокислот белка его 3D-формы.

Алгоритмическая программа DeepMind AlphaFold превзошла 100 других команд в проводимом раз в два года состязании по прогнозированию структуры белка CASP, сокращённо от Critical Assessment of Structure Prediction — «Критическая оценка предсказания структуры». Результаты объявлены 30 ноября в начале конференции по оценке работ, которая в этом году проводилась виртуально.

Функция белка определяется его 3D-формой — DeepMind

Рисунок выше: функция белка определяется его 3D-формой — DeepMind.

Джон Моулт, вычислительный биолог Мэрилендского университета в Колледж-Парке и основатель CASP, созданного в 1994 году для разработки вычислительных методов точного предсказания структуры белков, говорит: «Это очень важная работа».

Способность точно предсказывать структуру белков по аминокислотной последовательности станет огромным благом для наук о жизни и медицины. Она значительно ускорит понимание основных строительных блоков клеток и позволит быстрее открывать более совершенные лекарства.

На предыдущем CASP в 2018 году, когда лондонская DeepMind участвовала впервые, AlphaFold вышла на первое место. Но в этом году сеть глубокого обучения команды значительно опередила других, и учёные говорят о невероятно хороших результатах, способных предвещать революцию в биологии.

Что такое искусственный интеллект, машинное обучение и глубокое обучение: различия

Андрей Лупас, эволюционный биолог Института биологии развития Макса Планка в Тюбингене, Германия, оценивавший выступления разных команд на CASP, говорит: «Это событие меняет правила игры». AlphaFold уже помогла определить структуру белка, десять лет ставившего его лабораторию в тупик, и он ожидает изменений своих исследовательских вопросов и методов работы. Лупас говорит: «Это изменит медицину. Изменит исследования. Изменит биоинженерию. Изменит всё».

В некоторых случаях предсказания AlphaFold неотличимы от структур, определённых «золотыми стандартами» экспериментальных методов: рентгеновской кристаллографией и в последние годы криоэлектронной микроскопией, крио-ЭМ. Учёные говорят, что AlphaFold пока может не устранить необходимость в этих трудоёмких и дорогих методах, но искусственный интеллект позволит работать с живыми организмами по-новому.

Проблема структуры белков

Белки — строительные блоки жизни, ответственные за большинство событий внутри клеток. Их работа и действие определяются 3D-формой, и функцию белка определяет его 3-мерная структура. “Структура — это функция» — аксиома молекулярной биологии. Белки склонны принимать форму самостоятельно, руководствуясь лишь законами физики.

Десятилетиями лабораторные эксперименты были основным способом получения качественных структур белков. Первые полные структуры определили в начале 1950-х годов методом облучения кристаллизованных белков рентгеновскими лучами, преобразуя дифракцию света в атомные координаты белка. Рентгеновская кристаллография дала львиную долю белковых структур. Но за последнее десятилетие с лишним крио-ЭМ стала предпочтительным инструментом многих лабораторий структурной биологии.

Учёных давно интересует, как составные части белка — последовательность разных аминокислот — задают многочисленные изгибы и складки окончательной формы. По словам исследователей, первые попытки компьютерного предсказания структуры в 1980-х и 1990-х годах закончились неудачей. Громкие заявления о методах в опубликованных статьях обычно рассыпались, когда другие учёные применяли их к другим белкам.

Моулт запустил CASP, чтобы придать этим усилиям больше строгости. Состязание предлагает командам предсказывать структуры белков, уже определённые экспериментально, но ещё не обнародованные. Моулт считает, что эта проверка во многом упорядочила область, выявляя чрезмерно раздутые заявления. Он говорит: «Вы понимаете, что действительно выглядит многообещающим, что работает и от чего следует отойти».

Алгоритм deepmind alphafold 2 лучше работает в предсказании сворачивания белков casp14

Выступление DeepMind на CASP13 в 2018 году удивило учёных в области, долго бывшей оплотом небольших академических групп. Однако вычислительный биолог Университета Иллинойса в Чикаго Цзиньбо Сюй говорит, что подход в целом похож на подходы других команд, использующих искусственный интеллект.

Первая версия AlphaFold применяла к структурным и генетическим данным метод искусственного интеллекта, известный как глубокое обучение , чтобы предсказать расстояния между парами аминокислот белка. Руководитель проекта Джон Джампер из DeepMind говорит, что на втором этапе, не требующем искусственного интеллекта, AlphaFold использовала эти сведения для создания «консенсусной» модели предполагаемого вида белка.

Команда пыталась развить подход добавлениями, но в итоге потерпела неудачу. Поэтому, говорит Джампер, подход изменили и разработали нейронную сеть с дополнительной информацией о физических и геометрических ограничениях сворачивания белка. Задачу также усложнили: вместо отношений между аминокислотами сеть предсказывает окончательную структуру целевой белковой последовательности. Джампер называет её «довольно сложной системой».

Удивительная точность

CASP длится несколько месяцев. Целевые белки или их части, называемые доменами, всего около 100, регулярно публикуются, и у команд есть несколько недель, чтобы представить структурные прогнозы. Затем независимые учёные оценивают их по метрикам сходства предсказанного белка с экспериментально определённой структурой. Оценщики не знают, кто сделал прогноз.

Лупас говорит, что прогнозы AlphaFold поступали под названием «группа 427», но поразительная точность многих из них выделяла команду. «Я догадался, что это AlphaFold. Многие догадались», — добавляет он.

Некоторые прогнозы были лучше других, но почти две трети были сопоставимы по качеству с экспериментальными структурами. По словам Моулта, иногда неясно, является ли расхождение прогноза AlphaFold с экспериментом ошибкой предсказания или артефактом эксперимента.

По словам Моулта, прогнозы AlphaFold плохо совпадали с экспериментальными структурами, определёнными методом ядерного магнитного резонанса, но это может зависеть от преобразования исходных данных в модель. Сеть также испытывает трудности при моделировании отдельных структур в белковых комплексах или группах, где взаимодействие с другими белками искажает их форму.

Моулт говорит, что по сравнению с прошлым CASP команды в целом предсказывали структуры точнее, но основная часть прогресса связана с AlphaFold. Для белковых мишеней средней сложности при шкале 100 баллов лучшие результаты других команд обычно составляли 75, а AlphaFold на тех же мишенях получала около 90.

По словам Моулта, около половины команд упомянули глубокое обучение в кратком описании подхода, что указывает на широкое влияние искусственного интеллекта. Большинство команд были академическими, но Microsoft и китайская технологическая компания Tencent также участвовали в CASP14.

Мохаммед Аль-Курайши, вычислительный биолог Колумбийского университета в Нью-Йорке и участник CASP, с нетерпением ждал изучения подробностей выступления AlphaFold и возможности узнать о работе системы больше 1 декабря, когда команда DeepMind представляла свой подход. Он был твёрдо убеждён, что AlphaFold преобразит область.

“Думаю, справедливо назвать это революцией в предсказании структуры белков. Подозреваю, многие покинут область, поскольку главная проблема, пожалуй, решена. Это открытие первостепенной важности и определённо один из самых значимых научных результатов моей жизни», — говорит он.

Более быстрое определение структур

Прогноз AlphaFold помог определить структуру бактериального белка, которую лаборатория Лупаса пыталась разгадать годами. Команда уже собрала исходные данные рентгеновской дифракции, но для превращения этих похожих на пятна Роршаха картин в структуру нужны некоторые сведения о форме белка. Ухищрения для их получения, как и другие программы предсказания, не сработали. Лупас говорит: «Модель группы 427 дала нам структуру за полчаса после десяти лет попыток испробовать всё».

Сооснователь и генеральный директор DeepMind Демис Хассабис говорит, что компания планирует сделать AlphaFold доступной для других учёных: о первой версии уже опубликовано достаточно подробностей для воспроизведения подхода. Создание предсказанной структуры с оценками надёжности разных участков может занимать у AlphaFold дни. Хассабис, рассматривающий открытие лекарств и проектирование белков как возможные применения, добавляет: «Мы только начинаем понимать, чего захотят биологи».

В начале 2020 года компания опубликовала прогнозы небольшого числа ещё не определённых экспериментально структур белков SARS-CoV-2 . Команда молекулярного нейробиолога Стивена Брохоуна из Калифорнийского университета в Беркли сообщила в июне, что прогноз DeepMind для белка Orf3a очень похож на структуру, впоследствии определённую крио-ЭМ. Он добавляет: «То, что им удалось сделать, очень впечатляет».

Как алгоритм AlphaFold 2 повлияет на реальный мир?

Некоторые применения, например эволюционный анализ белков, готовы к развитию, поскольку существующий поток геномных данных теперь можно надёжно преобразовать в структуры. Лупас говорит: «Это позволит новому поколению микробиологов задавать более сложные вопросы». «Потребуется больше думать и меньше работать пипеткой”.

Джанет Торнтон, структурный биолог Европейской лаборатории молекулярной биологии — Европейского института биоинформатики в Хинкстоне, Великобритания, и бывший оценщик CASP, говорит: «Я думала, что эту проблему не решат при моей жизни». Она надеется, что подход поможет выяснить функции тысяч нерасшифрованных белков человеческого генома и понять вызывающие болезни изменения генов.

Результат AlphaFold — также важная веха для DeepMind. Компания известна прежде всего искусственным интеллектом, освоившим игры вроде го, но её долгосрочная цель — программы с широким интеллектом, подобным человеческому. Хассабис говорит, что решение крупных научных задач, таких как предсказание структуры белков, — одно из важнейших применений их искусственного интеллекта. «Думаю, по влиянию на реальный мир это самое значимое из всего, что мы сделали.”

В заключение многие лекарства нового поколения имеют белковую структуру, и на молекулярном уровне создание правильных белков для генетических мишеней в нынешних условиях занимает у учёных десятилетия. С алгоритмами Google на основе глубокого обучения, такими как AlphaFold 2, десятилетия могут сократиться до месяцев . Будущее в области биотехнологии обещает много захватывающего. 

*

- ВСЕ НОВОСТИ МЕДИЦИНСКОЙ ИНФОРМАТИКИ

Источники

Ewen Callaway. ‘It will change everything’: DeepMind’s AI makes gigantic leap in solving protein structures. 30 Nov 2020 Nature News

Запрос на приём

ИИ DROZDOGAN

Разберём эту статью вместе

Задавайте вопросы о статье и читайте ответы вместе с опубликованными материалами нашего сайта.

ИИ DROZDOGAN

Ассистент Drozdogan

Это изменит всё! Искусственный интеллект Google DeepMind раскрывает структуры белков

Задавайте вопросы о статье и читайте ответы вместе с опубликованными материалами нашего сайта.

Информация о чате и конфиденциальности

На вопросы отвечает ассистент Drozdogan. Уполномоченные администраторы сайта могут проверять беседу для контроля качества. Не сообщайте личные данные.

Для подготовки ответов используется инфраструктура OpenAI. Вопросы и ответы обрабатываются этим сервисом; записи бесед хранятся на нашем сайте. Не сообщайте идентификационные, контактные данные или личные сведения о здоровье.

0 / 1000

Только общая информация, без личного диагноза или назначения лечения.

Статьи по теме

Другие статьи, посвящённые этой теме.

Будьте в курсе

Получайте новые статьи и научные новости по электронной почте.

Google Analytics работает на общедоступных страницах независимо от этого окна и может использовать аналитические cookie. Ваш выбор здесь управляет только внешними сервисами.

Политика файлов cookie