ИИ теперь может рассчитать трехмерную структуру любого белка

• Исследователи используют модель глубокого обучения для определения трехмерной структуры белка на основе его аминокислотной последовательности.
• После полного обучения он может легко превзойти все существующие методы при оценке белковых структур, для которых нет предварительных знаний.

Белок - один из основных строительных блоков человеческого тела. Он строит и поддерживает ткани. Химически он состоит из аминокислот - органических соединений, состоящих из водорода, углерода, кислорода, азота или серы.

Белки выполняют почти все фундаментальные биологические процессы, необходимые для жизни, складываясь в точные трехмерные структуры, которые контролируют их взаимодействие с другими молекулами.

Поскольку форма белка определяет его функцию и роль при различных заболеваниях, важно изучить и спрогнозировать их структуру для разработки спасающих и изменяющих жизнь лекарств.

Однако это не так просто, как кажется. За последние 5 десятилетий сворачивание белков оставалось одной из самых сложных проблем для биохимиков. Было разработано множество вычислительных методов, особенно в последние годы, чтобы предсказать, как белки сворачиваются, но точной карты последовательности и структуры еще не удалось получить.

Теперь исследователи из Гарвардской медицинской школы использовали модель глубокого обучения (разновидность искусственного интеллекта) для определения трехмерной структуры белка на основе его аминокислотной последовательности. По скорости он превосходит существующие современные технологии на 6-7 порядков.

Применение сквозного дифференцируемого глубокого обучения

Продвинутые алгоритмы используют технику грубой силы для моделирования сложной физики аминокислотных взаимодействий и определения структуры белка. Чтобы уменьшить накладные расходы на вычисления, эти алгоритмы сопоставляют новые последовательности с заранее разработанными шаблонами, которые представляют ранее определенные структуры белка.

Некоторые проекты искусственного интеллекта, такие как AlphaFold от Google, анализируют огромное количество геномных данных, содержащих план белковых последовательностей. Однако эти методы не оценивают структуры только на основе аминокислотной последовательности. Они не могут определить эволюционно уникальные белки (структуры белков, которые ранее не изучались).

Поэтому исследовательская группа использовала сквозной дифференцируемый метод глубокого обучения, который уже доказал свою эффективность в некоторых из самых популярных приложений, включая Google Translate и Apple Siri.

Ссылка:Cell Systems | doi:10.1016 / j.cels.2019.03.006 | Гарвардская медицинская школа

Эта система глубокого обучения, называемая рекуррентной геометрической сетью, подчеркивает ключевые свойства сворачивания белков. Он обучен на тысячах предопределенных последовательностей и структур белков.

Для каждой отдельной аминокислоты алгоритм вычисляет угол химических связей, которые связывают кислоту с ее соседями, а также угол поворота вокруг этих химических связей.

Визуальное моделирование того, как сеть вычисляет угол химических связей и угол поворота вокруг этих связей для построения структуры белка. | Предоставлено:Мохаммед Аль-Кураиши

Нейронная сеть выполняет эти вычисления (каждая итерация уточняется относительным расположением каждой другой аминокислоты) до тех пор, пока структура не будет завершена. Затем система проверяет точность своего результата, сопоставляя его с реальной структурой белка (полученной из прямых наблюдений).

Результаты

Этот процесс повторяется для нескольких различных известных белков, и точность системы увеличивается с каждой итерацией. На обучение сети могут уйти месяцы, но после завершения обучения модель может легко превзойти все существующие методы оценки белковых структур, для которых нет предварительных знаний.

Тем не менее, точности модели недостаточно, чтобы разрешить полную атомную структуру белка. Таким образом, он не готов для использования при разработке или открытии лекарств.

Читайте:Новый метод использует камеру мобильного телефона для измерения чрезвычайно редких белков в крови

На данный момент он может дополнять другие методы для прогнозирования гораздо более широкого класса белковых структур, чем это было возможно ранее. Есть множество возможностей улучшить модель, объединив законы физики и химии. Если вы хотите попробовать сами, код и результаты доступны на GitHub.