Использование генеративного искусственного интеллекта для создания новых белков

Apr 12, 2023

Исследователи из Университета Торонто разработали систему искусственного интеллекта, которая может создавать белки, не встречающиеся в природе, с помощью генеративной диффузии — той же технологии, которая лежит в основе популярных платформ создания изображений ИИ, таких как Midjourney и DALL-E от OpenAI.

Система поможет продвинуться в области генеративной биологии, которая обещает ускорить разработку лекарств, сделав разработку и тестирование совершенно новых терапевтических белков более эффективными и гибкими.

«Наша модель учится на представлениях изображений генерировать совершенно новые белки с очень высокой скоростью», — говорит Филип М. Ким, доктор философии, профессор Центра клеточных и биомолекулярных исследований Доннелли на медицинском факультете Темерти Университета штата Техас. «Все наши белки кажутся биофизически реальными, то есть они складываются в конфигурации, которые позволяют им выполнять определенные функции внутри клеток».

Результаты были опубликованы в журнале Nature Computational Science и являются первыми в своем роде в рецензируемом журнале. Лаборатория Кима также опубликовала препринт модели прошлым летом на сервере открытого доступа bioRxiv перед двумя аналогичными препринтами, вышедшими в декабре прошлого года — RF Diffusion от Вашингтонского университета и Chroma от Generate Biomedicines.

Белки состоят из цепочек аминокислот, которые складываются в трехмерные формы, что, в свою очередь, определяет функцию белка. Эти формы развивались на протяжении миллиардов лет и разнообразны, сложны и ограничены в количестве.

Теперь, лучше понимая, как сворачиваются существующие белки, исследователи начали разрабатывать модели сворачивания, не встречающиеся в природе.

Основная задача, по словам Кима, заключалась в том, чтобы представить складки, которые были бы одновременно возможными и функциональными.

«Было очень сложно предсказать, какие складки будут реальными и работать в структуре белка», — говорит Ким, который также является профессором кафедры молекулярной генетики на медицинском факультете Темерти и информатики на факультете искусств и наук. . «Объединив биофизические представления о структуре белка с методами диффузии из пространства генерации изображений, мы можем начать решать эту проблему».

Новая система, которую исследователи называют ProteinSGM, основана на большом наборе изображений существующих белков, которые точно кодируют их структуру. Исследователи вводят эти изображения в модель генеративной диффузии, которая постепенно добавляет шум, пока каждое изображение не станет сплошным шумом. Модель отслеживает, как изображения становятся более зашумленными, а затем запускает процесс в обратном порядке, обучаясь преобразовывать случайные пиксели в четкие изображения, соответствующие совершенно новым белкам.

Джин Суб (Майкл) Ли, аспирант лаборатории Кима и первый автор статьи, говорит, что оптимизация ранней стадии процесса генерации изображений была одной из самых больших проблем при создании ProteinSGM.

«Ключевой идеей было правильное представление структуры белка в виде изображения, чтобы модель диффузии могла научиться точно генерировать новые белки», — говорит Ли, который родом из Ванкувера, но получил степень бакалавра в Южной Корее и степень магистра в Швейцарии. прежде чем выбрать U of T для получения докторской степени.

Также сложной была проверка белков, производимых ProteinSGM. Система порождает множество структур, часто непохожих ни на что, встречающееся в природе. По словам Ли, почти все они выглядят реальными по стандартным показателям, но исследователям нужны были дополнительные доказательства.

Чтобы протестировать свои новые белки, Ли и его коллеги сначала обратились к OmegaFold, улучшенной версии программного обеспечения AlphaFold 2 от DeepMind. Обе платформы используют ИИ для прогнозирования структуры белков на основе аминокислотных последовательностей.

С помощью OmegaFold команда подтвердила, что почти все их новые последовательности складываются в нужные белковые структуры. Затем они выбрали меньшее количество для физического создания в пробирках, чтобы подтвердить, что структуры представляют собой белки, а не просто случайные цепочки химических соединений.

«Благодаря совпадениям в OmegaFold и экспериментальным испытаниям в лаборатории мы могли быть уверены, что это правильно свернутые белки. Было удивительно видеть подтверждение этих совершенно новых белковых складок, которых не существует нигде в природе», — говорит Ли.