Áttörés a fehérjekutatásban: Az új AI-modell forradalmasítja a gyógyszertervezést!

Áttörés a fehérjekutatásban: Az új AI-modell forradalmasítja a gyógyszertervezést!

Egy kutatócsoport a Berlini Szabadegyetem -vel együttműködve Microsoft Research AI for Science jelentős áttörést ért el a biológiai fehérjék modellezésében. Ez a teszt a július 10-i folyóirat magja Tudomány publikált tanulmánya „Scalable emulation of protein equilibrium ensembles with generative deep learning” címmel. Az új eredmények elősegíthetik a jövőbeni előrelépéseket a gyógyszertervezés és az orvosbiológiai kutatás terén.

A tanulmány fő célja a BioEmu bevezetése, egy innovatív generatív mély tanulási rendszer, amely emulálja a fehérjék egyensúlyi viselkedését. A BioEmu-t nagy precizitása és pontossága jellemzi, és célja, hogy jobban tükrözze számos fehérje működését, amelyek aktivitása erősen függ a dinamikus szerkezetüktől. A fejlesztés kiemelt célja az új hatóanyagok sikerességének növelése a klinikai vizsgálatokban.

Technológiai innováció és fokozott hatékonyság

Figyelemre méltó a BioEmu azon képessége, hogy óránként több ezer statisztikailag független fehérjestruktúrát képes létrehozni egyetlen grafikus kártyán (GPU). Ez jelentősen csökkenti a funkcionálisan releváns szerkezeti változások vizsgálatához szükséges költségeket és időt. A több mint 200 ezredmásodperces molekuladinamikai szimulációk és a kísérleti adatok kombinálásával a BioEmu közel kísérleti pontossággal képes előre jelezni a szerkezeti együtteseket és a termodinamikai tulajdonságokat.

A Prof. Dr. Frank Noé és Prof. Dr. Cecilia Clementi által vezetett kutatócsoportok jelentős mértékben hozzájárultak a fejlesztéshez. Prof. Noé, a Microsoft Research partnerkutatási menedzsere és a FU Berlin tiszteletbeli professzora hangsúlyozza, hogy a BioEmu olyan összetett szerkezeti változásokat is képes előre jelezni, mint a rejtett kötőzsebek és a teljes fehérjedomének mozgása. Ez lehetővé teszi a fehérje stabilitási változásainak precíz előrejelzését, a laboratóriumi elemzéshez hasonló pontossággal.

Hagyományos megközelítések kontra mély tanulás

A jelenlegi molekuláris dinamikai szimulációs technikákról ismert, hogy lassúak, drágák és erőforrás-igényesek. A BioEmu gyorsabb és olcsóbb alternatívát kínál. A Sarah Lewis és csapata által kifejlesztett modell egyesíti az AlphaFold szerkezeti előrejelzésekből származó képzési adatokat, a nagyszabású molekuladinamikai szimulációkat és a fehérje stabilitásának kiterjedt kísérleti méréseit.

Vannak azonban korlátok is: a BioEmu nem natív módon modellezi a molekuláris dinamikát vagy a membránokkal és ligandumokkal való kölcsönhatásokat, és nem veszi figyelembe a változó környezeti feltételeket, például a hőmérsékletet vagy a pH-t. Ennek ellenére a szerzők arra számítanak, hogy a modell bemutatja, hogy a mély tanulás hogyan tudja amortizálni a szimulációk és kísérletek magas költségeit, lehetővé téve a fehérje funkciójának nagy léptékű, adatvezérelt előrejelzését.

Gyakorlati vonatkozások és jövőbeli kutatások

A tanulmány egyik fontos aspektusa a Microsoft Research által a BioEmu fejlesztéséhez használt nagy adatkészlet közzététele. Ez az adatkészlet a szekvencia-sokféle fehérjeszimulációk legnagyobb nyilvánosan elérhető gyűjteménye. A BioEmu forráskód széles körű elérhetősége az MIT licenc alatt új utakat nyit a bioinformatikai kutatásban és gyógyszertervezésben.

Az ehhez hasonló kutatások kulcsfontosságúak a különböző formák között váltakozó fehérjék biológiájának és működésének megértéséhez. Ez továbbra is kulcsfontosságú kihívás a tudomány számára, különösen a biotechnológia és az orvosi kutatás terén.