AI kan nu de 3D-structuur van elk eiwit berekenen

• Onderzoekers gebruiken een deep learning-model om de 3D-structuur van een eiwit te bepalen op basis van de aminozuursequentie.
• Als het eenmaal volledig is getraind, kan het gemakkelijk alle bestaande technieken overtreffen bij het schatten van eiwitstructuren waarvoor geen voorkennis is.

Eiwit is een van de belangrijkste bouwstenen van het menselijk lichaam. Het bouwt en onderhoudt weefsel. Chemisch gezien is het samengesteld uit aminozuren - organische verbindingen gemaakt van waterstof, koolstof, zuurstof, stikstof of zwavel.

Eiwitten voeren bijna alle fundamentele biologische processen uit die essentieel zijn voor het leven door zichzelf op te vouwen tot nauwkeurige driedimensionale structuren die hun interactie met andere moleculen regelen.

Omdat de vorm van een eiwit zijn functie en rol bij verschillende ziekten bepaalt, is het belangrijk om hun structuren te bestuderen en te voorspellen om levensreddende en levensveranderende medicijnen te ontwikkelen.

Het is echter niet zo eenvoudig als het klinkt. In de afgelopen 5 decennia is het vouwen van eiwitten een van de meest uitdagende problemen voor biochemici gebleven. Er zijn talloze computationele methoden ontwikkeld, vooral in de afgelopen jaren, om te voorspellen hoe eiwitten vouwen, maar een expliciete sequentie-naar-structuurkaart is nog niet bereikt.

Nu hebben onderzoekers van de Harvard Medical School een deep learning-model (een vorm van kunstmatige intelligentie) gebruikt om de 3D-structuur van een eiwit te bepalen op basis van de aminozuursequentie ervan. Het overtreft de bestaande state-of-the-art technieken met 6 tot 7 ordes van grootte in termen van snelheid.

End-to-end differentieerbaar diep leren toepassen

De geavanceerde algoritmen gebruiken een brute force-techniek om de complexe fysica van aminozuurinteracties te simuleren en de eiwitstructuur te bepalen. Om de rekenkundige overhead te verminderen, brengen deze algoritmen nieuwe sequenties in kaart op vooraf ontworpen sjablonen die eerder bepaalde eiwitstructuren vertegenwoordigen.

Sommige AI-projecten zoals Google's AlphaFold ontleden een enorme hoeveelheid genomische gegevens die de blauwdruk van eiwitsequenties bevatten. Deze werkwijzen schatten echter geen structuren uitsluitend op basis van de aminozuursequentie. Ze kunnen de evolutionair unieke eiwitten (structuren van eiwitten die in het verleden nooit zijn bestudeerd) niet bepalen.

Daarom gebruikte het onderzoeksteam een ​​end-to-end differentieerbare deep learning-techniek, die al effectief is bewezen in enkele van de meest populaire apps, waaronder Google Translate en Apple's Siri.

Referentie:celsystemen | doi:10.1016/j.cels.2019.03.006 | Harvard Medical School 

Dit diepgaande leersysteem dat recurrent geometrische netwerk wordt genoemd, legt de nadruk op de belangrijkste eigenschappen van eiwitvouwing. Het is getraind op duizenden vooraf bepaalde eiwitsequenties en structuren.

Voor elk afzonderlijk aminozuur berekent het algoritme de hoek van de chemische bindingen die het zuur met zijn buren verbinden, evenals de rotatiehoek rond deze chemische bindingen.

Een visuele simulatie van hoe het netwerk de hoek en rotatiehoek van de chemische bindingen rond deze bindingen berekent om een ​​structuur van het eiwit te construeren. | Krediet:Mohammed AlQuraishi 

Het neurale netwerk voert deze berekeningen uit (elke iteratie wordt verfijnd door de relatieve locatie van elk ander aminozuur) totdat de structuur klaar is. Het systeem controleert vervolgens de nauwkeurigheid van de uitkomst door deze te vergelijken met de echte eiwitstructuur (verkregen uit directe waarnemingen).

Resultaten

Dit proces wordt herhaald voor verschillende bekende eiwitten en de nauwkeurigheid van het systeem neemt met elke iteratie toe. Het kan maanden duren om het netwerk te trainen, maar als de training eenmaal is voltooid, kan het model gemakkelijk alle bestaande technieken overtreffen bij het schatten van eiwitstructuren waarvoor geen voorkennis is.

Toch is de nauwkeurigheid van het model niet voldoende om de volledige atomaire structuur van een eiwit op te lossen. Het is dus niet klaar voor gebruik bij het ontwerpen of ontdekken van geneesmiddelen.

Lezen:Nieuwe methode gebruikt een mobiele telefooncamera om extreem zeldzame eiwitten in bloed te meten

Voorlopig kan het andere technieken aanvullen om een ​​veel bredere klasse van eiwitstructuren te voorspellen dan voorheen mogelijk was. Er zijn tal van mogelijkheden om het model te verbeteren door wetten van natuurkunde en scheikunde te integreren. Als je het zelf wilt proberen, zijn de code en resultaten beschikbaar op GitHub.