Google’ın DeepMind AI’si ‘Bütün Protein Evreninin’ 3D Yapılarını Ortaya Çıkarıyor

Bilim adamları 1957 yılına kadar değildi. kazanılan özel erişim moleküler alana.

22 yıllık yorucu deneylerden sonra, Cambridge Üniversitesi’nden John Kendrew nihayet bir proteinin 3 boyutlu yapısını ortaya çıkardı. Bu, miyoglobinin bükülmüş bir planıydı. 154 amino asitlik zincir Bu, kaslarımızı oksijenle doldurmaya yardımcı olur. Bu keşif devrim niteliğinde olsa da, Kendrew protein mimarisi taşkınlarını tam olarak açmadı – önümüzdeki on yıl içinde bir düzineden daha azı tanımlanacaktı.

Nobel ödüllü buluştan bu yana 64 yıl önce bugüne hızlı ileri saralım.

Perşembe günü, Google’ın kardeş şirketi DeepMind, bilim tarafından bilinen hemen hemen her kataloglanmış proteinin 3D yapılarını tahmin etmek için yapay zekayı başarıyla kullandığını duyurdu. Bu, bitkilerde, bakterilerde, hayvanlarda, insanlarda bulunan 200 milyondan fazla protein demektir – neredeyse hayal edebileceğiniz her şey.

DeepMind’in kurucusu ve CEO’su Demis Hassabis bu hafta gazetecilere verdiği demeçte, “Aslında, bunun tüm protein evrenini kapsadığını düşünebilirsiniz.”

DeepMind’ın açık kaynaklı bir veritabanına sahip çığır açan AI sistemi AlphaFold sayesinde, dünya çapındaki bilim insanlarının istedikleri zaman ve ücretsiz olarak araştırmalarına dahil edebilmeleri. AlphaFold’un geçen yılın Temmuz ayında resmi lansmanından bu yana – sadece 350.000 3D proteini saptadığı zaman – program, araştırma ortamında gözle görülür bir göçük yarattı.

Hassabis, “500.000’den fazla araştırmacı ve biyolog, veritabanını 2 milyondan fazla yapıyı görüntülemek için kullandı.” Dedi. “Ve bu öngörücü yapılar, bilim adamlarının parlak yeni keşifler yapmasına yardımcı oldu.”

Nisan ayında, örneğin, Yale Üniversitesi bilim adamları, AlphaFold’un veri tabanını yeni bir geliştirme hedeflerine yardımcı olmaları için çağırdılar. son derece etkili sıtma aşısı. Ve geçen yılın Temmuz ayında, Portsmouth Üniversitesi’nden bilim adamları sistemi, enzimlerin mühendisliğini yapmak için kullandılar. tek kullanımlık plastik kirliliğine karşı mücadele.

Portsmouth’un Enzim İnovasyon Merkezi direktörü ve ikinci çalışmanın arkasındaki araştırmacı John McGeehan, “Bu bizi bulunduğumuz yerden iki yıl olmasa da bir yıl ileriye taşıdı,” dedi. New York Times’a anlattı.

Mavi, sarı ve turuncu şeritler içeren protein vitellogenin bir şerit diyagramı.

Yumurta sarısını oluşturan vitellogenin 3 boyutlu yapısı.

Derin Düşünce

Bu çabalar, AlphaFold’un nihai erişiminin sadece küçük bir örneğidir.

Avrupa Moleküler Biyoloji Laboratuvarı’nda DeepMind işbirlikçisi ve ekip lideri Sameer Velankar, “Yalnızca geçen yıl, AlphaFold yapılarını kullanan çok çeşitli araştırma konularında binden fazla bilimsel makale yayınlandı; daha önce hiç böyle bir şey görmedim” dedi. Protein Veri Bankası, bir basın açıklamasında söyledi.

Hassabis’e göre veri tabanını kullananlar arasında, Parkinson hastalığına ilişkin anlayışımızı geliştirmeye çalışan kişiler de var. bal arılarının sağlığını korumak ve hatta bazıları insan evrimi hakkında değerli bilgiler edinmek istiyor.

“AlphaFold, fosil kayıtlarında moleküllerin hayatta kalmasıyla ilgili düşüncelerimizi şimdiden değiştiriyor ve yakında yalnızca evrimsel biyolojide değil, arkeoloji ve diğer paleo bilimlerde çalışan araştırmacılar için temel bir araç haline geleceğini görebiliyorum.” Yakın zamanda bir çalışmada sistemi kullanan Torino Üniversitesi’nde doçent olan Demarchi eski bir yumurta tartışması üzerine.

Önümüzdeki yıllarda DeepMind, Chagas hastalığı ve Leishmaniasis gibi az çalışılmış, ancak yaygın tropikal hastalıklar için tedaviler bulmak amacıyla, İhmal Edilen Hastalıklar İçin İlaçlar Girişimi ve Dünya Sağlık Örgütü’ndeki ekiplerle ortak olmayı da planlıyor.

DeepMind işbirlikçisi ve EMBL müdür yardımcısı Ewan Birney konferansta, “Dünya çapında birçok araştırmacının hangi deneyleri yapabileceklerini düşünmesini sağlayacak.” Dedi. “Ve organizmalarda ve çalıştıkları sistemlerde neler olduğunu bir düşünün.”

Kilitler ve anahtarlar

Peki, neden bu kadar çok bilimsel gelişme bu 3D protein modelleme hazinesine bağlı? Açıklayalım.

Bir kilide tam olarak uyan bir anahtar yapmaya çalıştığınızı varsayalım. Ama o kilidin yapısını görme şansınız yok. Tek bildiğiniz, bu kilidin var olduğu, malzemeleri hakkında bazı veriler ve belki de her bir çıkıntının ne kadar büyük olduğu ve bu çıkıntıların nerede olması gerektiğine dair sayısal bilgiler.

Bu anahtarı geliştirmek belki imkansız olmazdı ama oldukça zor olurdu. Anahtarlar kesin olmalıdır, aksi takdirde çalışmazlar. Bu nedenle, başlamadan önce, sahip olduğunuz bilgilerle birkaç farklı sahte kilit modellemek için elinizden gelenin en iyisini yapmaya çalışırsınız, böylece anahtarınızı yapabilirsiniz.

Bu benzetmede kilit bir proteindir ve anahtar bu proteine ​​bağlanan küçük bir moleküldür.

Bilim adamları için, ister yeni ilaçlar üretmeye çalışan doktorlar olsun, ister gübre yapmak için bitki anatomisini inceleyen botanikçiler olsun, belirli moleküller ve proteinler arasındaki etkileşim çok önemlidir.

Örneğin ilaçlarla, bir ilaçtaki bir molekülün bir proteine ​​bağlanmasının spesifik yolu kırılma noktası olabilir işe yarayıp yaramadığı için. Bu etkileşim karmaşıklaşıyor çünkü proteinler sadece amino asit dizileri olsa da düz veya düz değiller. Cebinizdeki kulaklık kabloları gibi kaçınılmaz olarak katlanır, bükülür ve bazen kendi etrafında dolanırlar.

Aslında, bir proteinin benzersiz kıvrımları, nasıl çalıştığını belirler – ve insan vücudundaki en ufak bir katlanma hatası bile, hastalığa yol açmak.

Ancak küçük moleküllü ilaçlara dönersek, bazen katlanmış protein parçalarının bir ilacı bağlaması engellenir. Örneğin, erişilemez hale getiren garip bir şekilde katlanmış olabilirler. Bu, ilaç moleküllerini yapıştırmaya çalışan bilim adamları için önemli bir bilgidir. EMBL araştırma bilimcisi Janet Thornton konferansta, “Son birkaç yılda piyasaya çıkan hemen hemen her ilacın, kısmen protein yapıları bilgisi yoluyla tasarlandığını düşünüyorum.” Dedi.

Araştırmacılar, normalde, birlikte çalıştıkları bir proteinin katlanmış, 3 boyutlu yapısını çözmek için inanılmaz bir zaman harcarlar, bu şekilde, kilidin kalıbını bir araya getirerek anahtar yapma yolculuğunuza başlarsınız. Kesin yapıyı biliyorsanız, bir molekülün belirli bir proteine ​​nereye ve nasıl bağlanacağını ve bu bağlanmanın yanıt olarak proteinin kıvrımlarını nasıl etkileyebileceğini söylemek çok daha kolay hale gelir.

Ama bu çaba basit değil. Veya ucuz.

Wisconsin Üniversitesi’nden yapısal ve hesaplamalı bir biyolog ve biyoinformatik şirketi DNAStar’da araştırmacı olan Steve Darnell, “Yeni, benzersiz bir yapıyı çözmenin maliyeti 100.000 dolar civarında”, dedi. bir açıklamada söyledi.

Bunun nedeni, çözümün genellikle Süper karmaşık laboratuvar deneyleri.

Örneğin Kendrew, eskiden X-ışını kristalografisi adı verilen bir teknikten yararlandı. Temel olarak, bu yöntem almanızı gerektirir ilgilendiğiniz proteinin katı kristallerini bir X-ışını ışınına yerleştirin ve ışının nasıl bir desen oluşturduğunu görmek için izleyin. Bu model hemen hemen konumu binlerce atom kristalin içinde. Ancak o zaman bir proteinin yapısını ortaya çıkarmak için deseni kullanabilirsiniz.

olarak bilinen daha yeni bir teknik de vardır. kriyo-elektron mikroskobu. Bu, X-ışını kristalografisine benzer, ancak protein numunesi, bir X-ışını ışını yerine elektronlarla düz bir şekilde püskürtülür. Çözünürlük açısından diğer teknikten çok daha yüksek olduğu düşünülse de, her şeye tam olarak nüfuz edemez. Ayrıca, teknoloji alanında, bazıları dijital olarak protein katlama yapıları yaratmaya çalıştı. Ama erken denemeler, 80’lerde ve 90’larda birkaç deneme gibi. harika değildi. Tahmin edebileceğiniz gibi, laboratuvar yöntemleri de sıkıcı ve zordur.

Yıllar geçtikçe, bu tür engeller “protein katlama sorunu” olarak adlandırılan şeye yol açtı. Sorun şu ki, bilim adamları proteinlerin nasıl katlandığını bilmiyorlar ve bu sorunu aşmak için önemli engellerle karşılaştılar.

AlphaFold’un yapay zekası oyunun kurallarını değiştirebilir.

5 büyük daireyi gösteren, AlphaFold veritabanında temsil edilen türlerin sayılarının grafiği.  Her daire, veri tabanındaki önceki protein miktarını temsil eden küçük bir noktadır.  Daha büyük daireler yaklaşık 5 büyüklük sırası daha büyüktür.

DeepMind tarafından sağlanan AlphaFold veritabanının türlere göre patlamaya hazır büyümesini gösteren bir diyagram.

Derin Düşünce

‘Katlama problemini’ çözme

Kısacası, AlphaFold, DeepMind mühendisleri tarafından laboratuvar varlığı gerektirmeden protein yapılarını tahmin etmek için eğitildi. Kristal yok, elektron ateşlemesi yok, 100.000 dolarlık deney yok.

AlphaFold’u bugünkü konumuna getirmek için önce, şirketin web sitesine göre, sistem 100.000 bilinen protein katlama yapısına maruz bırakıldı. Sonra zaman geçtikçe gerisini nasıl çözeceğini öğrenmeye başladı.

Gerçekten bu kadar basit. (Eh, yapay zekayı kodlamaya giden yetenek dışında.)

Birney, “Bilmiyorum, bir proteini kristalleştirmek için en az 20.000 dolar ve çok fazla zaman gerekiyor” dedi. “Bu, deneycilerin yaptıklarıyla ilgili seçimler yapmaları gerektiği anlamına geliyor – AlphaFold henüz seçim yapmak zorunda değil.” AlphaFold’un titizliğinin bu özelliği oldukça büyüleyici. Bunun anlamı, bilim insanlarının, protein yapıları söz konusu olduğunda, tahmin etme ve kontrol etme, sezdirme veya içgüdüsel bir içgüdüyü takip etme ve araştırmalarında geniş bir ağ oluşturma konusunda daha fazla özgürlüğe sahip olmalarıdır. Maliyet veya zaman çizelgeleri hakkında endişelenmelerine gerek kalmayacak.

Almanya, Hamburg’daki EMBL’de DeepMind işbirlikçisi ve yapısal modelleyici Jan Kosinski, “Modeller de bir tahmin hatasıyla geliyor” dedi. “Ve genellikle – aslında birçok durumda – hata gerçekten çok küçük. Bu yüzden buna atomik hassasiyet diyoruz.”

Ayrıca DeepMind ekibi, AlphaFold’un güvenli ve etik olduğundan emin olmak için çok çeşitli risk değerlendirmeleri yürüttüğünü söylüyor. DeepMind ekip üyeleri ayrıca, genel olarak AI’nın daha önce değerlendirmeyi düşünmediğimiz biyogüvenlik riskleri taşıyabileceğini öne sürdü – özellikle bu tür teknoloji tıbbi alana nüfuz etmeye devam ederken.

Ancak gelecek ortaya çıktıkça, DeepMind ekibi AlphaFold’un bu tür endişeleri duruma göre akıcı bir şekilde adapte edeceğini ve ele alacağını söylüyor. Şimdilik, mütevazi bir miyoglobin portresi tarafından başlatılan bir miras üzerine inşa edilmiş bütün bir protein modelleri evreni ile çalışıyor gibi görünüyor.

“Sadece iki yıl önce,” dedi Birney, “sadece bunun mümkün olduğunu bilmiyorduk.”

06:45 PT’de düzeltme: Janet Thornton’ın soyadı ve unvanı düzeltildi.

Leave a Reply

Your email address will not be published.