Нов изкуствен интелект изпреварва AlphaFold2 на Google DeepMind в декодирането на пептидите

Изследователи от Университета в Торонто разработиха модел за дълбоко обучение, наречен PepFlow. Новият инструмент прогнозира всички възможни форми на пептидите – вериги от аминокиселини, които са по-къси от протеините, но изпълняват сходни биологични функции. Това разширява функционалността на AlphaFold2 на Google DeepMind, който прогнозира структурата на протеините. Моделирането на 3D структурата на пептидите ще помогне за създаването на нови лекарства, които се свързват по-добре с мишените. Освен това производството на пептиди е по-евтино, отколкото създаването на техните по-големи протеинови аналози.

PepFlow използва машинно обучение, съчетано с физични принципи, за да моделира диапазона от възможните варианти на сгъване на пептида въз основа на неговия енергиен пейзаж. Това става за няколко минути. За разлика от протеините, пептидите са по-динамични молекули, способни да приемат определени пространствени конфигурации.

Ролята на пептида в човешкия организъм е пряко свързана с начина, по който е сгънат. Триизмерната конфигурация определя начина, по който той се свързва и взаимодейства с другите молекули. Известно е, че пептидите са много гъвкави и приемат различни пространствени конфигурации. Поради това те участват в много биологични процеси, представляващи интерес за изследователите, които разработват лекарства. Пептидите са и по-евтини за производство от по-големите си белтъчни аналози.

Новият модел разширява функционалността на водещата система за изкуствен интелект DeepMind на Google за прогнозиране структурата на протеините – AlphaFold. Новият PepFlow на практика превъзхожда AlphaFold2, тъй като може да генерира цял набор от конформации за даден пептид – нещо, което AlphaFold2 първоначално не предоставя.

PepFlow е обобщен модел, който черпи вдъхновение от генераторите на Болцман. Това са изключително сложни модели за машинно обучение, основани на принципите на физиката.

Инструментът също така моделира пептидни структури с необичайни образувания, като например пръстеновидната структура, която се получава при макроциклизация. Пептидните макроцикли са обещаваща област за разработване на лекарства.

PepFlow обаче има ограничения, тъй като това е първата версия на модела. Авторите на изследването отбелязват редица области за по-нататъшно усъвършенстване на PepFlow. Те включват: обучение на модела с данни за молекулите на разтворителя и отчитане на ограниченията на разстоянието между атомите в цикличните структури.