Genombrott inom proteinforskning: Ny AI-modell revolutionerar läkemedelsdesign!

Genombrott inom proteinforskning: Ny AI-modell revolutionerar läkemedelsdesign!

En forskargrupp från Fria universitetet i Berlin i samarbete med Microsoft Research AI for Science har gjort ett betydande genombrott i modellering av biologiska proteiner. Detta test är kärnan i den 10 juli i journalen Vetenskap publicerad studie med titeln "Scalable emulation of protein equilibrium ensembles with generative deep learning". De nya rönen kan underlätta framtida framsteg inom läkemedelsdesign och biomedicinsk forskning.

Huvudfokus för studien är introduktionen av BioEmu, ett innovativt generativt djupinlärningssystem för att emulera proteiners jämviktsbeteende. BioEmu kännetecknas av sin höga precision och noggrannhet och är avsedd att bättre återspegla funktionen hos många proteiner vars aktivitet är starkt beroende av deras dynamiska struktur. Ett viktigt mål för utvecklingen är att öka framgångsfrekvensen för nya aktiva ingredienser i kliniska studier.

Teknisk innovation och ökad effektivitet

Att notera är BioEmus förmåga att generera tusentals statistiskt oberoende proteinstrukturer per timme på ett enda grafikkort (GPU). Detta leder till en betydande minskning av kostnaden och tiden som krävs för att undersöka funktionellt relevanta strukturella förändringar. Genom att kombinera över 200 millisekunder av molekylär dynamiksimuleringar med experimentella data, uppnår BioEmu förutsägelse av strukturella ensembler och termodynamiska egenskaper med nästan experimentell noggrannhet.

Forskargrupperna under ledning av prof. Dr. Frank Noé och prof. Dr. Cecilia Clementi har lämnat viktiga bidrag till utvecklingen. Prof. Noé, Partner Research Manager på Microsoft Research och hedersprofessor vid FU Berlin, betonar att BioEmu också kan förutsäga komplexa strukturella förändringar som dolda bindningsfickor och rörelser av hela proteindomäner. Detta möjliggör exakt förutsägelse av förändringar av proteinstabilitet med en noggrannhet jämförbar med laboratorieanalys.

Traditionella metoder kontra djupinlärning

Nuvarande simuleringstekniker för molekylär dynamik är kända för att vara långsamma, dyra och resurskrävande. BioEmu erbjuder ett snabbare och billigare alternativ. Utvecklad av Sarah Lewis och hennes team kombinerar modellen träningsdata från AlphaFold-strukturförutsägelser, storskaliga simuleringar av molekylär dynamik och omfattande experimentella mätningar av proteinstabilitet.

Men det finns också begränsningar: BioEmu modellerar inte naturligt molekylär dynamik eller interaktioner med membran och ligander, och tar inte heller hänsyn till varierande miljöförhållanden som temperatur eller pH. Ändå förväntar sig författarna att modellen ska visa hur djupinlärning kan amortera de höga kostnaderna för simuleringar och experiment för att möjliggöra storskalig, datadriven förutsägelse av proteinfunktion.

Praktiska implikationer och framtida forskning

En viktig aspekt av studien är Microsoft Researchs publicering av ett stort dataset som används för att utveckla BioEmu. Denna datauppsättning är den största allmänt tillgängliga samlingen av sekvensdiversifierade proteinsimuleringar. Den breda tillgängligheten av BioEmu-källkoden under MIT-licensen öppnar nya vägar inom bioinformatikforskning och läkemedelsdesign.

Forskning som denna är avgörande för att förstå biologin och funktionen hos proteiner som växlar mellan olika former. Detta är fortfarande en viktig utmaning för vetenskapen, särskilt inom bioteknik och medicinsk forskning.