Gjennombrudd innen proteinforskning: Ny AI-modell revolusjonerer legemiddeldesign!

Gjennombrudd innen proteinforskning: Ny AI-modell revolusjonerer legemiddeldesign!

Et forskerteam fra Det frie universitetet i Berlin i samarbeid med Microsoft Research AI for Science har gjort et betydelig gjennombrudd i modellering av biologiske proteiner. Denne testen er kjernen i 10. juli i journalen Vitenskap publisert studie med tittelen "Scalable emulation of protein equilibrium ensembles with generative deep learning". De nye funnene kan lette fremtidige fremskritt innen legemiddeldesign og biomedisinsk forskning.

Hovedfokuset for studien er introduksjonen av BioEmu, et innovativt generativt dyplæringssystem for å emulere likevektsatferden til proteiner. BioEmu er preget av sin høye presisjon og nøyaktighet og er ment å bedre reflektere funksjonen til mange proteiner hvis aktivitet avhenger sterkt av deres dynamiske struktur. Et sentralt mål med utviklingen er å øke suksessraten for nye aktive ingredienser i kliniske studier.

Teknologisk innovasjon og økt effektivitet

Bemerkelsesverdig er BioEmus evne til å generere tusenvis av statistisk uavhengige proteinstrukturer per time på et enkelt grafikkort (GPU). Dette fører til en betydelig reduksjon i kostnadene og tiden som kreves for å undersøke funksjonelt relevante strukturelle endringer. Ved å kombinere over 200 millisekunder med simuleringer av molekylær dynamikk med eksperimentelle data, oppnår BioEmu prediksjonen av strukturelle ensembler og termodynamiske egenskaper med nesten eksperimentell nøyaktighet.

Forskergruppene ledet av prof. dr. Frank Noé og prof. dr. Cecilia Clementi har gitt viktige bidrag til utviklingen. Prof. Noé, Partner Research Manager ved Microsoft Research og æresprofessor ved FU Berlin, understreker at BioEmu også kan forutsi komplekse strukturelle endringer som skjulte bindingslommer og bevegelser av hele proteindomener. Dette muliggjør presis prediksjon av proteinstabilitetsendringer med nøyaktighet som kan sammenlignes med laboratorieanalyse.

Tradisjonelle tilnærminger kontra dyp læring

Nåværende teknikker for simulering av molekylær dynamikk er kjent for å være langsomme, dyre og ressurskrevende. BioEmu tilbyr et raskere og billigere alternativ. Modellen er utviklet av Sarah Lewis og teamet hennes, og kombinerer treningsdata fra AlphaFold-strukturforutsigelser, simuleringer av molekylær dynamikk i stor skala og omfattende eksperimentelle målinger av proteinstabilitet.

Det er imidlertid også begrensninger: BioEmu modellerer ikke naturlig molekylær dynamikk eller interaksjoner med membraner og ligander, og tar heller ikke hensyn til variable miljøforhold som temperatur eller pH. Likevel forventer forfatterne at modellen skal demonstrere hvordan dyp læring kan amortisere de høye kostnadene ved simuleringer og eksperimenter for å muliggjøre storskala, datadrevet prediksjon av proteinfunksjon.

Praktiske implikasjoner og fremtidig forskning

Et vesentlig aspekt av studien er Microsoft Researchs publisering av et stort datasett som brukes til å utvikle BioEmu. Dette datasettet er den største offentlig tilgjengelige samlingen av sekvensdiverse proteinsimuleringer. Den brede tilgjengeligheten av BioEmu-kildekoden under MIT-lisensen åpner nye veier innen bioinformatikkforskning og legemiddeldesign.

Forskning som dette er avgjørende for å forstå biologien og funksjonen til proteiner som bytter mellom ulike former. Dette er fortsatt en sentral utfordring for vitenskapen, spesielt innen bioteknologi og medisinsk forskning.