|
ИИ помогает в проектировании новых белков
|
|
|
|
Исследователи EPFL разработали новую модель, управляемую искусственным интеллектом, предназначенную для прогнозирования белковых последовательностей на основе каркасов, включающих сложные молекулярные среды. Это обещает значительные достижения в белковой инженерии и ее применении в различных областях, включая медицину и биотехнологии.
|
|
|
|
Разработка белков, способных выполнять определенные функции, предполагает понимание их последовательностей и структур и манипулирование ими. Эта задача имеет решающее значение для разработки целенаправленных методов лечения заболеваний и создания ферментов для промышленного применения.
|
|
|
|
Одной из важнейших задач белковой инженерии является разработка белков de novo, то есть с нуля, с целью адаптации их свойств к конкретным задачам. Это имеет огромное значение для биологии, медицины и материаловедения. Например, сконструированные белки могут с высокой точностью воздействовать на болезни, предлагая конкурентоспособную альтернативу традиционным лекарствам на основе малых молекул.
|
|
|
|
Кроме того, специально разработанные ферменты, которые действуют как природные катализаторы, могут способствовать протеканию редких или несуществующих в природе реакций. Эта возможность особенно ценна в фармацевтической промышленности для синтеза сложных лекарственных молекул и в экологических технологиях для более эффективного расщепления загрязняющих веществ или пластмасс.
|
|
|
Команда ученых под руководством Маттео Даль Пераро из EPFL разработала CARBonAra (контекстно-зависимое извлечение аминокислот из основных атомов и гетероатомов), управляемую искусственным интеллектом модель, которая может предсказывать последовательности белков, но с учетом ограничений, налагаемых различными молекулярными средами, что является уникальным достижением.
|
|
|
|
CARBonAra обучается на базе данных, состоящих примерно из 370 000 субъединиц, еще 100 000 из которых необходимы для проверки, а 70 000 - для тестирования из Банка данных о белках (PDB). Исследование опубликовано в журнале Nature Communications.
|
|
|
|
CARBonAra основана на архитектуре платформы Protein Structure Transformer (PeSTo), также разработанной Люсьеном Краппом из группы Даля Пераро. В ней используются геометрические трансформаторы - модели глубокого обучения, которые обрабатывают пространственные отношения между точками, такие как атомарные координаты, для изучения и прогнозирования сложных структур.
|
|
|
|
Карбонара может предсказывать аминокислотные последовательности по основным каркасам, структурным каркасам белковых молекул. Однако одной из отличительных особенностей CARBonAra является понимание контекста, что особенно ярко проявляется в том, как она улучшает скорость восстановления последовательности — процент правильного определения аминокислот в каждой позиции последовательности белка по сравнению с известной эталонной последовательностью.
|
|
|
|
Карбонара значительно повышает скорость извлечения, когда включает молекулярные "контексты", такие как взаимодействие белка с другими белками, нуклеиновыми кислотами, липидами или ионами. "Это связано с тем, что модель рассчитана на все виды молекул и опирается только на атомные координаты, так что она может работать не только с белками", - объясняет Дал Пераро. Эта особенность, в свою очередь, повышает предсказательную способность модели и ее применимость в реальных сложных биологических системах.
|
|
|
|
Модель хорошо зарекомендовала себя не только в синтетических тестах, но и была подтверждена экспериментально. Исследователи использовали CARBonAra для разработки новых вариантов фермента бета-лактамазы TEM-1, который участвует в развитии устойчивости к противомикробным препаратам.
|
|
|
|
Некоторые из предсказанных последовательностей, отличающиеся приблизительно на 50% от последовательностей дикого типа, были скомпонованы правильно и сохраняли некоторую каталитическую активность при высоких температурах, когда фермент дикого типа уже неактивен.
|
|
|
|
Гибкость и точность CARBonAra открывают новые возможности для белковой инженерии. Ее способность учитывать сложные молекулярные условия делает ее ценным инструментом для разработки белков со специфическими функциями, способствуя будущим кампаниям по разработке лекарств. Кроме того, успех CARBonAra в области разработки ферментов демонстрирует ее потенциал для промышленного применения и научных исследований.
|
|
|
|
Источник
|
