|
就像人工智能可以创造出令人信服的猫的图像一样，现在也可以使用类似的工具制造出新的蛋白质。在《自然》杂志的一份报告中，研究人员描述了一种神经网络的发展，这种神经网络使蛋白质产生新的、稳定的结构。 蛋白质是存在于每个细胞中的弦状分子，它会自发折叠成复杂的三维形状。这些折叠的形状几乎是每一个生物过程的关键，包括细胞发育、DNA修复和新陈代谢。但蛋白质形状的复杂性使得它们难以研究。生物化学家经常使用计算机来预测蛋白质链或序列如何折叠。近年来，深度学习已经彻底改变了这项工作的准确性。 “在这个项目中，我们构建了完全随机的蛋白质序列，并在其中引入突变，直到我们的神经网络预测它们会折叠成稳定的结构。”伊万·阿尼先科说。他是华盛顿大学医学院生物化学的代理讲师，也是华盛顿大学蛋白质设计医学研究所大卫·贝克实验室的研究员。 “在任何情况下，我们都没有引导软件走向一个特定的结果，”Anishchenko说，“这些新的蛋白质只是计算机想象出来的。” 该团队认为，未来应该有可能控制人工智能，使其产生具有有用特征的新蛋白质。 “我们希望利用深度学习设计具有功能的蛋白质，包括基于蛋白质的药物、酶，你能想到的都有，”该研究的联合首席作者、贝克实验室的博士后学者萨姆·佩洛克(Sam Pellock)说。 该研究团队包括来自华盛顿大学医学院、哈佛大学和伦斯勒理工学院(RPI)的科学家，他们生成了2000个新的蛋白质序列，这些蛋白质序列被预测可以折叠。其中超过100种是在实验室生产和研究的。对这三种蛋白质的详细分析证实，计算机预测的形状确实是在实验室实现的。 “我们的核磁共振研究，以及由华盛顿大学团队确定的x射线晶体结构，证明了由幻觉方法创造的蛋白质设计的惊人准确性，”合著者Theresa Ramelot说，他是纽约特洛伊市RPI的高级研究科学家。 该研究的合著者、RPI化学和化学生物学教授盖塔诺·蒙特利奥内(Gaetano Montelione)指出。“这种幻觉方法建立在我们与贝克实验室共同进行的观察的基础上，揭示了通过深度学习预测蛋白质结构可以相当准确，即使是对一个没有天然亲戚的单一蛋白质序列。产生新的蛋白质结合特定的生物分子或形成期望的酶活性位点的可能性是非常令人兴奋的。” “这种方法极大地简化了蛋白质设计，”资深作者、华盛顿大学医学院生物化学教授大卫·贝克说。他获得了2021年生命科学突破奖。“以前，为了创造一种具有特定形状的新蛋白质，人们首先仔细研究了自然界中的相关结构，并提出了一套规则，然后应用于设计过程。每一种新的折叠类型都需要一套新的规则。在这里，通过使用一个已经捕捉到蛋白质结构一般原理的深度学习网络，我们消除了对特定折叠规则的需要，并打开了直接关注蛋白质功能部分的可能性。” 贝克说:“探索如何最好地将这种策略用于特定的应用，现在是一个活跃的研究领域，这是我期待的下一个突破。” More information: David Baker, De novo protein design by deep network hallucination, Nature (2021). DOI: 10.1038/s41586-021-04184-w. www.nature.com/articles/s41586-021-04184-w  文章来源网络整理；如有侵权请及时联系PaperRSS小编删除，转载请注明来源。 温馨提示： 为方便PaperRSS粉丝们科研、就业等话题交流。我们根据10多个专业方向（植物、医学、药学、人工智能、化学、物理、财经管理、体育等），特建立了30个国内外博士交流群。群成员来源欧美、日韩、新加坡、清华北大、中科院等全球名校。 |
|
|
