Современная синтетическая и структурная биология переживает невиданный подъем благодаря достижениям в области искусственного интеллекта. Новейшие технологии открывают уникальные возможности в проектировании белков с определенными функциями — от противоопухолевых антител до факторов, обеспечивающих свертывание крови. Использование алгоритмов машинного обучения позволяет моделировать трехмерную конфигурацию практически любой аминокислотной последовательности, что еще недавно казалось невозможным.
Загадка внутренне неупорядоченных белков и границы AlphaFold
Тем не менее, несмотря на прогресс систем искусственного интеллекта, таких как знаменитая AlphaFold, остается одна из самых сложных задач — предсказание пространства конформаций так называемых внутренне неупорядоченных белков. Таких молекул, которые, по выводам экспертов, составляют до 30 % всех белков, закодированных в человеческом геноме, невозможно «поймать» в одной статичной форме: они постоянно трансформируются, меняя свою структуру. Эти динамичные молекулы участвуют в множестве ключевых физиологических процессов, среди которых организация клеточного каркаса, передача сигналов и временные взаимодействия между другими белками.
Именно из-за своей изменчивости подобные белки сложно не только спрогнозировать с помощью ИИ, но и создать искусственно. Однако понимание их работы критически важно, ведь мутации в подобных структурах напрямую связаны с развитием таких тяжелых заболеваний, как болезнь Паркинсона, онкологические и нейродегенеративные патологии. Одним из наиболее известных представителей этого класса молекул служит белок альфа-синуклеин, объекты исследования для специалистов по нейронаукам и болезни Паркинсона.
Новый алгоритмический подход Гарварда и Северо-Западного университета
Научная группа Гарвардской школы инженерных и прикладных наук имени Джона А. Полсона в содружестве с исследователями Северо-Западного университета предложили свой инновационный взгляд на эту задачу. Новый метод машинного обучения превосходит традиционные инструменты, фокусируясь на создании последовательностей внутренних неупорядоченных белков, обладающих заранее заданными свойствами. Этот прорыв обеспечивает исследователям невиданный ранее контроль над структурой и функцией полипептидов, избавляя от необходимости полагаться лишь на результаты высокоэнергетических суперкомпьютерных симуляций.
Суть предложенного метода заключается в использовании так называемого автоматического дифференцирования. Этот алгоритм оптимизирует процесс путем расчета производных функций, описывающих биофизические параметры белка, и позволяет поэтапно изменять аминокислотную последовательность, добиваясь нужной конфигурации и пластичности молекулы. Ранее автоматическое дифференцирование широко применялось в обучении нейронных сетей, однако теперь его возможности были переосмыслены и расширены для решения задач молекулярной динамики.
Алгоритмы, вдохновленные физикой жизни
Внедрение алгоритмов, способных отслеживать даже минимальные изменения в последовательностях, изменило само представление о процессах проектирования белков. Каждая, даже самая незначительная замена аминокислоты, способна существенно повлиять на свойства конечного белка, его способность к образованию сложных структур и выполнению биологических функций. Новый подход ученые сравнили с поисковой системой высшей категории, которая в реальном времени находит те аминокислотные последовательности, что наиболее полно отвечают поставленным задачам: формирование петлевых структур, временное связывание со специфическими партнерскими белками, реакция на сигнал окружающей среды.
Классическая оптимизация на основе градиента, на которой построена инновационная технология, известна своей эффективностью и точностью в определении оптимальных решений для комплексных задач. На этом принципе теперь строится генерация новых белков со специфическими свойствами. При этом моделирование происходит не только формально, но и с учетом физико-химических законов, управляющих поведением белков в природных условиях. Таким образом, создаваемые ныне белки представляют собой не искусственные прогнозы искусственного интеллекта, а глубокое моделирование реального биологического поведения.
Потенциал для медицины и биотехнологий
Открытие возможностей для создания внутренне неупорядоченных белков с абсолютно новыми характеристиками открывает ошеломляющие перспективы для медицинской биотехнологии. Появляется шанс разрабатывать белки, способные выполнять нестандартные функции, стабилизировать неустойчивые структуры, заменять дефектные молекулы при различных заболеваниях и даже предупреждать развитие патологий. Например, искусственно синтезированный альфа-синуклеин с модифицированными областями взаимодействия может стать инструментом для ранней диагностики или терапии болезни Паркинсона.
Благодаря новому подходу становится возможной адресная коррекция функций «гибких» белков: теперь можно проектировать молекулы-«швейцарские ножи», которые будут адаптироваться, общаться с различными клеточными компонентами, модулировать пути передачи сигналов в необходимых направлениях. По мере углубления исследований ученые планируют расширить применение этой технологии, внедрив ее в разработку инновационных методов лечения широкого спектра заболеваний.
Будущее: синергия искусственного интеллекта и биофизики
Разработка искусственных белков на базе внутренних неупорядоченных последовательностей знаменует начало новой эры в биологии, где искусственный интеллект и физико-математические методы сливаются воедино. Следующим этапом в развитии будет повышение точности и скорости моделирования, чтобы укладываться в рамки быстрых биотехнологических циклов и удовлетворять запросы медицины завтрашнего дня. Уже сегодня коллаборация между вычислительными и традиционными лабораторными методами доказывает свою исключительную эффективность: сложные заболевания становятся более понятными, а терапия — более целевой и результативной.
Уверенно можно сказать, что грядущие годы откроют еще больше неожиданных применений методов автоматического дифференцирования и прогрессивных подходов к изучению внутренних неупорядоченных белков. Наука получает шанс не только глубже проникнуть в фундаментальные процессы жизни, но и создать здоровое будущее для миллионов людей на всей планете.
Источник: scientificrussia.ru
