„DeepMind“ baltymus sulankstantis AI išsprendė 50 metų senumo didįjį biologijos iššūkį

CASP / DeepMind

DeepMind jau pasiekė pergalių seriją, pristatydama AI, išmokusius žaisti įvairius sudėtingus žaidimus su antžmogiškais įgūdžiais – nuo ​​„Go“ ir „StarCraft“ iki viso „Atari“ katalogo. Tačiau Demis Hassabis, DeepMind viešasis veidas ir vienas iš įkūrėjų, visada pabrėžė, kad šios sėkmės buvo tik žingsniai link didesnio tikslo: AI, kuris iš tikrųjų padeda mums suprasti pasaulį.

Šiandien DeepMind ir ilgamečio organizatoriai Baltymų struktūros prognozavimo kritinis įvertinimas (CASP) konkursas paskelbė AI, kuris turėtų turėti didžiulį poveikį, kurio siekė Hassabis. The naujausia DeepMind's AlphaFold versija , gilaus mokymosi sistema, galinti tiksliai numatyti baltymų struktūrą iki atomo pločio, įveikė vieną didžiausių biologijos iššūkių. Tai pirmasis AI panaudojimas rimtai problemai išspręsti, sako Johnas Moultas iš Merilendo universiteto, vadovaujantis komandai, kuri valdo CASP.

Baltymas yra pagamintas iš aminorūgščių juostelės, kuri susilanksto daugybe sudėtingų posūkių ir raizgynių. Ši struktūra nustato, ką ji daro. Ir išsiaiškinti, ką veikia baltymai, labai svarbu suprasti pagrindinius gyvenimo mechanizmus, kada jis veikia, o kada ne. Pavyzdžiui, pastangos sukurti vakcinas nuo COVID-19 buvo sutelktos į viruso smaigalio baltymą. Koronaviruso įsiskverbimo į žmogaus ląsteles būdas priklauso nuo šio baltymo formos ir tų ląstelių išorėje esančių baltymų formos. Smaigalys yra tik vienas baltymas tarp milijardų visų gyvų būtybių; Vien žmogaus organizme yra dešimtys tūkstančių skirtingų baltymų rūšių.

Susijusi istorija

AI kovoja su replikacijos krize Technologijų milžinai dominuoja moksliniuose tyrimuose, tačiau riba tarp tikro proveržio ir produkto demonstravimo gali būti neaiški. Kai kuriems mokslininkams užtenka.

Šių metų CASP AlphaFold numatė dešimčių baltymų struktūrą su vos 1,6 angstremo paklaida – tai yra 0,16 nanometro arba atomo dydžio. Tai gerokai pranoksta visus kitus skaičiavimo metodus ir pirmą kartą atitinka laboratorijoje naudojamų metodų tikslumą, pvz. krioelektroninė mikroskopija , branduolinis magnetinis rezonansas ir rentgeno kristalografija . Šie metodai yra brangūs ir lėti: kiekvienam baltymui gali prireikti šimtų tūkstančių dolerių ir metų bandymų bei klaidų. AlphaFold gali rasti baltymo formą per kelias dienas.

Proveržis galėtų padėti mokslininkams sukurti naujus vaistus ir suprasti ligas. Ilgainiui baltymų struktūros numatymas taip pat padės sukurti sintetinius baltymus, tokius kaip fermentai, kurie virškina atliekas arba gamina biokurą. Mokslininkai taip pat tiria būdus, kaip įvesti sintetinių baltymų, kurie padidins pasėlių derlių ir padarys augalus maistingesnius.

Tai labai didelė pažanga, sako Mohammedas AlQuraishi, Kolumbijos universiteto sistemų biologas, sukūręs savo programinę įrangą baltymų struktūrai numatyti. Tai kažkas, ko aš tiesiog nesitikėjau, kad tai įvyks taip greitai. Tai tam tikra prasme šokiruoja.

Tai tikrai didelis dalykas, sako Davidas Bakeris, Vašingtono universiteto Baltymų dizaino instituto vadovas ir Rosetta, baltymų analizės įrankių šeimos, komandos vadovas. Tai nuostabus pasiekimas, kaip ir tai, ką jie padarė su „Go“.

Astronominiai skaičiai

Nustatyti baltymo struktūrą yra labai sunku. Daugumos baltymų atveju tyrėjai turi aminorūgščių seką juostelėje, bet ne iškreiptą formą, į kurią jie susilanksto. Ir paprastai kiekvienai sekai yra astronominis galimų formų skaičius. Tyrėjai kovoja su šia problema bent jau nuo aštuntojo dešimtmečio, kai Christianas Anfinsenas laimėjo Nobelio premiją už parodytą, kad sekos lemia struktūrą.

CASP paleidimas 1994 m. suteikė šiai sričiai postūmį. Kas dvejus metus organizatoriai išleidžia maždaug 100 aminorūgščių sekų baltymams, kurių formos buvo nustatytos laboratorijoje, bet dar nepaskelbtos. Tada dešimtys komandų iš viso pasaulio varžosi, kad surastų tinkamą būdą jas sulankstyti naudojant programinę įrangą. Daugelį CASP sukurtų priemonių jau naudoja medicinos mokslininkai. Tačiau pažanga buvo lėta, du dešimtmečius trunkanti laipsniška pažanga nesugebėjo sukurti nuorodos į kruopštų laboratorinį darbą.

CASP sulaukė sukrėtimo, kurio ieškojo, kai 2018 m. „DeepMind“ dalyvavo konkurse pirmoji AlphaFold versija . Jis vis tiek negalėjo prilygti laboratorijos tikslumui, tačiau jis paliko dulkėse kitus skaičiavimo metodus. Tyrėjai pastebėjo: netrukus daugelis pritaikė savo sistemas, kad veiktų labiau kaip AlphaFold.

Šiais metais daugiau nei pusė įrašų naudoja tam tikrą giluminio mokymosi formą, sako Moult. Dėl to bendras tikslumas buvo didesnis. Naujoji Bakerio sistema, vadinama trRosetta, naudoja kai kurias 2018 m. „DeepMind“ idėjas. Tačiau tai vis tiek buvo labai toli, sako jis.

CASP rezultatai vertinami naudojant vadinamąjį visuotinį atstumo testą (GDT), kuris skalėje nuo 0 iki 100 įvertina, kiek nuspėjama struktūra yra arti tikrosios laboratoriniuose eksperimentuose nustatyto baltymo formos. Naujausia AlphaFold versija gerai įvertino visus baltymus. Tačiau maždaug dviejų trečdalių jų GDT balas viršijo 90. Jo kiečiausių baltymų GDT buvo 25 taškais didesnis nei kitos geriausios komandos, sako Johnas Jumperis, vadovaujantis „DeepMind“ AlphaFold komandai. 2018 m. persvara buvo maždaug šeši taškai.

Jei balas viršija 90, tai reiškia, kad bet kokie skirtumai tarp numatytos ir tikrosios struktūros gali būti susiję su eksperimentinėmis klaidomis laboratorijoje, o ne dėl programinės įrangos gedimo. Tai taip pat gali reikšti, kad numatoma struktūra yra tinkama alternatyvi konfigūracija, kuri buvo nustatyta laboratorijoje, natūralių pokyčių diapazone.

Pasak Jumper, konkurse buvo keturi baltymai, su kuriais nepriklausomi teisėjai nebaigė dirbti laboratorijoje, o AlphaFold prognozės nukreipė juos į teisingas struktūras.

AlQuraishi manė, kad tyrėjams prireiks 10 metų, kad nuo 2018 m. AlphaFold rezultatų pasiektų šių metų rezultatus. Tai yra arti fizinės ribos, kaip tiksliai galite gauti, sako jis. Šios struktūros iš esmės yra lanksčios. Nėra prasmės kalbėti apie rezoliucijas daug žemiau.

Dėlionės detalės

AlphaFold remiasi šimtų tyrinėtojų visame pasaulyje darbais. „DeepMind“ taip pat rėmėsi įvairiomis žiniomis ir subūrė biologų, fizikų ir kompiuterių mokslininkų komandą. Išsami informacija apie tai, kaip tai veikia, bus paskelbta šią savaitę CASP konferencijoje ir recenzuojamame straipsnyje specialiame žurnalo numeryje. Baltymai kitais metais. Tačiau mes žinome, kad jame naudojamas dėmesio tinklas, gilaus mokymosi technika, leidžianti AI treniruotis sutelkiant dėmesį į didesnės problemos dalis. „Jumper“ palygina dėlionės surinkimo metodą: pirmiausia sujungia vietinius gabalus, o tik tada sujungia juos į visumą.

„DeepMind“ apmokė „AlphaFold“ apie 170 000 baltymų, paimtų iš baltymų duomenų banko – viešosios sekų ir struktūrų saugyklos. Jis palygino kelias sekas duomenų banke ir ieškojo aminorūgščių porų, kurios dažnai yra arti viena kitos sulankstytose struktūrose. Tada jis naudoja šiuos duomenis, kad atspėtų atstumą tarp aminorūgščių porų struktūrose, kurios dar nežinomos. Jis taip pat gali įvertinti, ar šie spėjimai yra tikslūs. Mokymai truko kelias savaites, naudojant skaičiavimo galią, atitinkančią 100–200 GPU.

Susijusi istorija

Bendrasis dirbtinis intelektas: ar esame artimi ir ar net prasminga bandyti?

Mašina, galinti mąstyti kaip žmogus, nuo seniausių laikų buvo pagrindinė AI tyrimų vizija ir tebėra labiausiai skaldanti idėja.

Dame Janet Thornton iš Europos bioinformatikos instituto Kembridže, JK, su baltymais dirba 50 metų. Tai tikrai tiek, kiek ši problema egzistuoja, praėjusią savaitę spaudos konferencijoje sakė ji. Pradėjau manyti, kad tai nebus išspręsta per mano gyvenimą.

Daugelis vaistų yra sukurti imituojant jų 3D molekulinę struktūrą ir ieškant būdų, kaip šias molekules įterpti į tikslinius baltymus. Žinoma, tai galima padaryti tik tada, kai žinoma tų baltymų struktūra. Taip yra tik ketvirtadaliui iš maždaug 20 000 žmogaus baltymų, sako Thorntonas. Tai palieka 15 000 nepanaudotų narkotikų taikinių. AlphaFold atvers naują tyrimų sritį.

DeepMind teigia, kad planuoja tirti leišmaniozę, miego ligą ir maliariją – visas tropines ligas, kurias sukelia parazitai, nes jos yra susijusios su daugybe nežinomų baltymų struktūrų.

Vienas AlphaFold trūkumas yra tai, kad jis yra lėtas, palyginti su konkurentų technikomis. AlQuraishi sistema, kuri naudoja algoritmą, vadinamą pasikartojančiu geometriniu tinklu (RGN), gali rasti baltymų struktūras milijonus kartų greičiau – rezultatai pateikiami per kelias sekundes, o ne per dienas. Jo prognozės yra ne tokios tikslios, tačiau kai kurioms programoms greitis yra svarbesnis, sako jis.

Mokslininkai dabar laukia, kol tiksliai išsiaiškins, kaip veikia AlphaFold. Kai jie apibūdins pasauliui, kaip tai daro, tada pražys tūkstantis gėlių, sako Bakeris. Žmonės jį naudos įvairiems dalykams, dalykams, kurių dabar neįsivaizduojame.

Net ir ne toks tikslus rezultatas būtų buvę gera žinia žmonėms, dirbantiems su fermentais ar bakterijomis, sako AlQuraishi: Tačiau turime kai ką dar geresnio, betarpiškai aktualaus farmacijos reikmėms.

paslėpti