Нов изчислителен метод позволява създаването на неорганизирани протеини с определени свойства

Изследователи от САЩ разработиха изчислителен метод, който дава възможност за създаване на протеини с вътрешен безпорядък и специфични свойства. Досега AI инструменти като AlphaFold не бяха в състояние да ги синтезират. Новият подход използва инструменти за дълбоко обучение, за да оптимизира протеинови последователности с дадени свойства. Това открива нови възможности за проектиране на биологични молекули въз основа на реални физически модели.

Напредъкът на изкуствения интелект в синтетичната и структурната биология доведе до нови изкуствени протеини със специфични функции. Съвременните компютри могат с точност да предскажат триизмерните структури на всяка дадена аминокиселинна верига. Въпреки това структурата на почти 30% от всички протеини, синтезирани в човешкия геном, е трудна за прогнозиране дори за най-мощните инструменти на изкуствения интелект, включително системата AlphaFold, удостоена с Нобелова награда.

Тези неорганизирани протеини, които никога не заемат фиксирана форма и постоянно се променят, играят ключова роля във функционирането на биологичните системи, но присъщата им нестабилност ги прави трудни за проектиране от нулата, пише EurekAlert.

Екип от учени от Харвардския университет и Северозападния университет демонстрира нов метод за машинно обучение за създаване на протеини с присъща безпорядъчност и определени свойства. Те са разработили изчислителен метод, използващ алгоритми, които извършват „автоматично диференциране“ или автоматично производно изчисление, за да избират по-рационално протеинови последователности с желано поведение и свойства. Техниката е широко използвана в дълбокото обучение и обучението на невронните мрежи, но групата на професор Майкъл Бренър е една от първите, които са забелязали други потенциални приложения.

Чрез автоматичното диференциране изследователите са успели да обучат компютър да разпознава как малките промени в протеиновите последователности – дори промените в отделни аминокиселини – влияят върху крайните желани свойства на протеините. Те сравняват своя метод с мощна търсачка, която подбира аминокиселинните вериги въз основа на зададени критерии.

Методът използва традиционна структура за обучение на невронните мрежи – градиентна оптимизация – за ефикасно и точно идентифициране на нови протеинови последователности. В резултат на това разработените от изследователите протеини са „различими“. С други думи, те се основават не само на предположенията на изкуствения интелект, но и на симулации на молекулярна динамика с помощта на реална физика, които отчитат действителното поведение на протеините в природата.