Gennembrud inden for proteinforskning: Ny AI-model revolutionerer lægemiddeldesign!

Gennembrud inden for proteinforskning: Ny AI-model revolutionerer lægemiddeldesign!

Et forskerhold fra Berlins frie universitet i samarbejde med Microsoft Research AI for Science har fået et betydeligt gennembrud i modellering af biologiske proteiner. Denne test er kernen i den 10. juli i journalen Videnskab offentliggjort undersøgelse med titlen "Scalable emulation of protein equilibrium ensembles with generative deep learning". De nye resultater kan lette fremtidige fremskridt inden for lægemiddeldesign og biomedicinsk forskning.

Hovedfokus for undersøgelsen er introduktionen af ​​BioEmu, et innovativt generativt dybt læringssystem til at efterligne proteiners ligevægtsadfærd. BioEmu er kendetegnet ved sin høje præcision og nøjagtighed og er beregnet til bedre at afspejle funktionen af ​​mange proteiner, hvis aktivitet afhænger stærkt af deres dynamiske struktur. Et centralt mål med udviklingen er at øge succesraten for nye aktive ingredienser i kliniske studier.

Teknologisk innovation og øget effektivitet

Det er værd at bemærke BioEmus evne til at generere tusindvis af statistisk uafhængige proteinstrukturer i timen på et enkelt grafikkort (GPU). Dette fører til en væsentlig reduktion i omkostningerne og den tid, der kræves for at undersøge funktionelt relevante strukturelle ændringer. Ved at kombinere over 200 millisekunders molekylær dynamiksimuleringer med eksperimentelle data opnår BioEmu forudsigelsen af ​​strukturelle ensembler og termodynamiske egenskaber med næsten eksperimentel nøjagtighed.

Forskerholdene ledet af prof. dr. Frank Noé og prof. dr. Cecilia Clementi har ydet vigtige bidrag til udviklingen. Prof. Noé, Partner Research Manager hos Microsoft Research og æresprofessor ved FU Berlin, understreger, at BioEmu også kan forudsige komplekse strukturelle ændringer såsom skjulte bindingslommer og bevægelser af hele proteindomæner. Dette muliggør præcis forudsigelse af proteinstabilitetsændringer med nøjagtighed, der kan sammenlignes med laboratorieanalyse.

Traditionelle tilgange vs. dyb læring

Nuværende teknikker til simulering af molekylær dynamik er kendt for at være langsomme, dyre og ressourcekrævende. BioEmu tilbyder et hurtigere og billigere alternativ. Modellen er udviklet af Sarah Lewis og hendes team og kombinerer træningsdata fra AlphaFold-strukturforudsigelser, simuleringer af molekylær dynamik i stor skala og omfattende eksperimentelle målinger af proteinstabilitet.

Der er dog også begrænsninger: BioEmu modellerer ikke naturligt molekylær dynamik eller interaktioner med membraner og ligander, og den tager heller ikke højde for variable miljøforhold såsom temperatur eller pH. Alligevel forventer forfatterne, at modellen viser, hvordan dyb læring kan afskrive de høje omkostninger ved simuleringer og eksperimenter for at muliggøre datadrevet forudsigelse af proteinfunktion i stor skala.

Praktiske implikationer og fremtidig forskning

Et væsentligt aspekt af undersøgelsen er Microsoft Researchs udgivelse af et stort datasæt, der bruges til at udvikle BioEmu. Dette datasæt er den største offentligt tilgængelige samling af sekvensdiverse proteinsimuleringer. Den brede tilgængelighed af BioEmu-kildekoden under MIT-licensen åbner nye veje inden for bioinformatikforskning og lægemiddeldesign.

Forskning som denne er afgørende for at forstå biologien og funktionen af ​​proteiner, der skifter mellem forskellige former. Dette er fortsat en central udfordring for videnskaben, især inden for bioteknologi og medicinsk forskning.