Исследователи из Шеффилдского университета и компании AstraZeneca разработали подход на основе искусственного интеллекта, который упрощает процесс создания белков, необходимых для новых методов лечения.
В своём исследовании, опубликованном в журнале Nature Machine Intelligence, компьютерные учёные из Шеффилда в сотрудничестве с AstraZeneca и Саутгемптонским университетом разработали новую структуру машинного обучения, которая показала потенциал в более точной обратной укладке белков по сравнению с существующими передовыми методами.
Обратная укладка белков — это критически важный процесс для создания новых белков. Он заключается в определении последовательностей аминокислот, которые сворачиваются в желаемую трёхмерную структуру белка и позволяют ему выполнять определённые функции.
Разработка лекарств зависит от белковой инженерии, которая создаёт белки, способные связываться с определёнными мишенями в организме. Однако этот процесс сложен из-за сложности укладки белков и трудности прогнозирования взаимодействия последовательностей аминокислот для формирования функциональных структур.
Учёные обратились к машинному обучению, чтобы более точно предсказывать, какие последовательности аминокислот будут сворачиваться в стабильные, функциональные структуры белков. Эти модели обучаются на больших наборах данных известных последовательностей и структур белков для улучшения прогнозов обратной укладки.
Новая структура машинного обучения под названием MapDiff, разработанная учёными из Шеффилдского университета, AstraZeneca и Саутгемптонского университета, превзошла самые современные методы искусственного интеллекта в успешных предсказаниях в ходе симуляционных тестов. Результаты являются многообещающей основой для дальнейшего развития технологии, которое, в случае успеха, может ускорить разработку ключевых белков, необходимых для создания новых вакцин, генной терапии и других терапевтических методов.
Это также дополняет другие недавние достижения, такие как AlphaFold, который предсказывает трёхмерную структуру белка, меняя подход, начиная с укладки белка и получая потенциальные последовательности аминокислот.
Хайпинг Лу, профессор машинного обучения в Шеффилдском университете и автор исследования, сказал: «Эта работа представляет собой значительный шаг вперёд в использовании ИИ для создания белков с желаемой структурой. Наш метод открывает новые возможности для разработки новых терапевтических белков, которые могут быть использованы в различных терапевтических приложениях».
Пейжен Бай, старший специалист по машинному обучению в AstraZeneca, который разработал ИИ в рамках своей докторской диссертации в Школе компьютерных наук Шеффилдского университета, сказал: «Во время моей докторской работы меня вдохновил потенциал ИИ для ускорения биологических открытий. Я горжусь тем, что наш метод, MapDiff, помогает создавать последовательности белков, которые с большей вероятностью будут сворачиваться в желаемые трёхмерные структуры — ключевой шаг к продвижению терапевтических средств нового поколения».
Предоставлено Шеффилдским университетом.