Пробив в изследването на протеини: Нов AI модел революционизира дизайна на лекарства!

Пробив в изследването на протеини: Нов AI модел революционизира дизайна на лекарства!

Изследователски екип от Берлински свободен университет в сътрудничество с Microsoft Research AI за наука направи значителен пробив в моделирането на биологични протеини. Този тест е в основата на 10 юли в дневника Наука публикувано проучване, озаглавено „Мащабираема емулация на протеинови равновесни ансамбли с генеративно дълбоко обучение“. Новите открития биха могли да улеснят бъдещия напредък в дизайна на лекарствата и биомедицинските изследвания.

Основният фокус на изследването е въвеждането на BioEmu, иновативна генеративна система за дълбоко обучение за емулиране на равновесното поведение на протеините. BioEmu се характеризира със своята висока прецизност и точност и е предназначен да отразява по-добре функцията на много протеини, чиято активност зависи силно от тяхната динамична структура. Основна цел на разработката е да се увеличи степента на успех на новите активни съставки в клиничните проучвания.

Технологични иновации и повишена ефективност

Трябва да се отбележи способността на BioEmu да генерира хиляди статистически независими протеинови структури на час на една графична карта (GPU). Това води до значително намаляване на разходите и времето, необходими за изследване на функционално значими структурни промени. Чрез комбиниране на над 200 милисекунди симулации на молекулярна динамика с експериментални данни, BioEmu постига прогнозиране на структурни ансамбли и термодинамични свойства с почти експериментална точност.

Изследователските екипи, ръководени от проф. д-р Франк Ное и проф. д-р Сесилия Клементи, имат важен принос за развитието. Проф. Noé, партньорски изследователски мениджър в Microsoft Research и почетен професор във FU Berlin, подчертава, че BioEmu може също да предвиди сложни структурни промени като скрити свързващи джобове и движенията на цели протеинови домейни. Това позволява точно прогнозиране на промените в стабилността на протеина с точност, сравнима с лабораторния анализ.

Традиционни подходи срещу дълбоко обучение

Известно е, че настоящите техники за симулация на молекулярната динамика са бавни, скъпи и изискват много ресурси. BioEmu предлага по-бърза и по-евтина алтернатива. Разработен от Сара Луис и нейния екип, моделът съчетава тренировъчни данни от прогнози за структурата на AlphaFold, широкомащабни симулации на молекулярна динамика и обширни експериментални измервания на стабилността на протеина.

Съществуват обаче и ограничения: BioEmu не моделира естествено молекулярната динамика или взаимодействията с мембрани и лиганди, нито взема предвид променливи условия на околната среда като температура или pH. Все пак авторите очакват моделът да демонстрира как дълбокото обучение може да амортизира високите разходи за симулации и експерименти, за да даде възможност за широкомащабно прогнозиране на функцията на протеина, базирано на данни.

Практически изводи и бъдещи изследвания

Важен аспект от проучването е публикуването на Microsoft Research на голям набор от данни, използван за разработването на BioEmu. Този набор от данни е най-голямата публично достъпна колекция от протеинови симулации с различни последователности. Широката наличност на изходния код на BioEmu под лиценза на MIT отваря нови пътища в изследванията на биоинформатиката и дизайна на лекарства.

Изследвания като това са от решаващо значение за разбирането на биологията и функционирането на протеини, които преминават между различни форми. Това остава ключово предизвикателство за науката, особено в биотехнологиите и медицинските изследвания.