|
▎药明康德内容团队编辑 在最新一期《科学》上，Baker教授团队连发两篇论文，呈现了AI设计蛋白质的最新突破：相比于传统手段，机器学习可以更加精准、快速地设计蛋白质分子，将设计蛋白质的时间长度从“月”缩短至“秒”。这项突破有望在全新疫苗、药物与治疗手段开发等领域带来新的革命。 当Baker教授团队意识到RosettaFold可以用来模拟多种相互作用蛋白的组装过程时，他们相信可以据此设计出能自我组装成纳米颗粒的蛋白质。但实际情况却是，他们设计的蛋白质却无法顺利折叠，不具备正常的功能。 如何解决所谓的蛋白质逆折叠问题，也就是根据给定的蛋白质结构，确定折叠成该结构的氨基酸序列？Baker实验室的答案是一种全新的深度学习工具：ProteinMPNN。ProteinMPNN借鉴了图像识别使用的神经网络，能够明确与特定结构相对应的序列。 在最新研究中，Baker教授团队将设计功能性蛋白质的挑战分解为3个部分，并且分别设计了解决方案。 ▲ProteinMPNN设计出的蛋白质更可能按预期折叠（图片来源：Ian Haydon, UW Medicine Institute for Protein Design） 首先，是需要形成全新的蛋白质构型。在稍早前的一篇《科学》论文中，Baker教授团队指出，AI可以通过两种思路从头设计蛋白质。 其中一种是基于“幻想”（hallucination），简单来说，就是基于简单的提示实现输出：通过在所有可能的序列中进行搜索，来选择具有预期功能的序列。第二种是“修复”（inpainting），就类似于搜索栏的文字自动补齐功能。 ▲“幻想”蛋白质示意图（图片来源：Sergey Ovchinnikov） 第二个挑战是，如何加速生产蛋白质的过程。为此，研究团队设计了一种用于生成氨基酸序列的新算法。在一篇最新的《科学》论文中， ProteinMPNN能以大约1秒的速度运行、设计蛋白质，相当于已有工具的至少200倍，运算结果也更优。 “当我们拥有海量数据时，训练神经网络很容易；但对于蛋白质，我们无法得到足够的样本。因此我们必须明确，这些分子中的哪些特征是最重要的。这有点像试错的过程。”Baker实验室的博士后Justas Dauparas说。 第三个挑战则是生成的序列的功能性。为此，研究团队使用AlphaFold来独立评估，他们设计的氨基酸序列能否按预期的方式折叠。 “ProteinMPNN的作用是设计蛋白质，而AlphaFold是预测蛋白质结构。”Baker教授说。 而在同期《科学》的另一篇论文，Baker教授团队证实，新型机器学习工具的联合使用能可靠地生成全新的功能性蛋白质。研究发现，使用ProteinMPNN生成的蛋白质更可能按预期计划折叠，因而他们可以用这些工具创造出非常复杂的蛋白质复合体。 参考资料： [1] Wicky, B. I. M. et al. Hallucinating symmetric protein assemblies. Science https:///10.1126/science.add1964 (2022) [2] Dauparas, J. et al. Robust deep learning based protein design using ProteinMPNN. Science https:///10.1126/science.add2187 (2022) [3] Beyond AlphaFold: A.I. excels at creating new proteins. Retrieved Sep. 15th, 2022 from https://www./news-releases/964816 [4] Scientists are using AI to dream up revolutionary new proteins. Retrieved Sep. 15th, 2022 from https://www./articles/d41586-022-02947-7 |
|
|
