Doorbraak in eiwitonderzoek: nieuw AI-model zorgt voor een revolutie in het ontwerpen van medicijnen!

Doorbraak in eiwitonderzoek: nieuw AI-model zorgt voor een revolutie in het ontwerpen van medicijnen!

Een onderzoeksteam van Vrije Universiteit van Berlijn in samenwerking met Microsoft Research AI voor Wetenschap heeft een belangrijke doorbraak bereikt in het modelleren van biologische eiwitten. Deze test is de kern van de 10 juli in het tijdschrift Wetenschap gepubliceerde studie getiteld "Schaalbare emulatie van eiwitevenwichtsensembles met generatief diep leren". De nieuwe bevindingen zouden toekomstige vooruitgang in het ontwerpen van geneesmiddelen en biomedisch onderzoek kunnen vergemakkelijken.

De belangrijkste focus van het onderzoek is de introductie van BioEmu, een innovatief generatief deep learning-systeem voor het emuleren van het evenwichtsgedrag van eiwitten. BioEmu wordt gekenmerkt door zijn hoge precisie en nauwkeurigheid en is bedoeld om de functie van veel eiwitten beter weer te geven waarvan de activiteit sterk afhankelijk is van hun dynamische structuur. Een belangrijk ontwikkelingsdoel is het vergroten van het succespercentage van nieuwe actieve ingrediënten in klinische onderzoeken.

Technologische innovatie en verhoogde efficiëntie

Opvallend is het vermogen van BioEmu om duizenden statistisch onafhankelijke eiwitstructuren per uur te genereren op één enkele grafische kaart (GPU). Dit leidt tot een aanzienlijke vermindering van de kosten en tijd die nodig zijn om functioneel relevante structurele veranderingen te onderzoeken. Door meer dan 200 milliseconden aan moleculaire dynamica-simulaties te combineren met experimentele gegevens, bereikt BioEmu de voorspelling van structurele ensembles en thermodynamische eigenschappen met bijna experimentele nauwkeurigheid.

De onderzoeksteams onder leiding van prof. dr. Frank Noé en prof. dr. Cecilia Clementi hebben belangrijke bijdragen geleverd aan de ontwikkeling. Prof. Noé, Partner Research Manager bij Microsoft Research en ereprofessor aan de FU Berlijn, benadrukt dat BioEmu ook complexe structurele veranderingen kan voorspellen, zoals verborgen bindingszakken en de bewegingen van hele eiwitdomeinen. Dit maakt een nauwkeurige voorspelling van veranderingen in de eiwitstabiliteit mogelijk met een nauwkeurigheid die vergelijkbaar is met laboratoriumanalyse.

Traditionele benaderingen versus diepgaand leren

Het is bekend dat de huidige simulatietechnieken voor moleculaire dynamica traag, duur en hulpbronnenintensief zijn. BioEmu biedt een sneller en goedkoper alternatief. Het model is ontwikkeld door Sarah Lewis en haar team en combineert trainingsgegevens van AlphaFold-structuurvoorspellingen, grootschalige moleculaire dynamica-simulaties en uitgebreide experimentele metingen van de eiwitstabiliteit.

Er zijn echter ook beperkingen: BioEmu modelleert niet op natuurlijke wijze de moleculaire dynamiek of interacties met membranen en liganden, en houdt ook geen rekening met variabele omgevingscondities zoals temperatuur of pH. Toch verwachten de auteurs dat het model zal aantonen hoe deep learning de hoge kosten van simulaties en experimenten kan afschrijven om grootschalige, datagestuurde voorspellingen van de eiwitfunctie mogelijk te maken.

Praktische implicaties en toekomstig onderzoek

Een belangrijk aspect van het onderzoek is de publicatie door Microsoft Research van een grote dataset die is gebruikt om BioEmu te ontwikkelen. Deze dataset is de grootste openbaar beschikbare verzameling sequentie-diverse eiwitsimulaties. De brede beschikbaarheid van de BioEmu-broncode onder de MIT-licentie opent nieuwe wegen in bio-informaticaonderzoek en medicijnontwerp.

Onderzoek als dit is cruciaal voor het begrijpen van de biologie en het functioneren van eiwitten die tussen verschillende vormen schakelen. Dit blijft een belangrijke uitdaging voor de wetenschap, vooral op het gebied van de biotechnologie en het medisch onderzoek.