Průlom v AI pro biologii: Vědci naučili AlphaFold předpovídat dynamické tvary proteinů

Vědci z Institutu vědy a technologie Rakouska (ISTA) a mezinárodní spolupracovníci vyvinuli novou metodu, která umožňuje umělé inteligenci AlphaFold přesněji předpovídat 3D struktury proteinů.

Vědci z Institutu vědy a technologie Rakouska (ISTA) a mezinárodní spolupracovníci vyvinuli novou metodu, která umožňuje umělé inteligenci AlphaFold přesněji předpovídat 3D struktury proteinů. Nový přístup, publikovaný v časopise Nature Biotechnology, překonává dosavadní omezení AlphaFold, která měla tendenci redukovat složité a dynamické struktury na jediný dominantní tvar a přehlížet experimentální podmínky, jež mohou měnit lokální strukturu.

Tradiční metody, jako je rentgenová krystalografie, a na nich trénované modely AI, včetně AlphaFold, často zobrazovaly molekulární struktury jako statické. Přehlížely přitom flexibilní oblasti, často označované jako „smyčky“, které nejsou jen spojovacími články, ale mají zásadní biologický význam pro funkci proteinů. Nový „experimentálně vedený AlphaFold“ (experiment-guided AlphaFold) využívá experimentální data, například z nukleární magnetické rezonance (NMR), k modelování celých souborů struktur, které lépe odrážejí fyzikální a biologickou realitu.

Profesor Alex Bronstein z ISTA zdůrazňuje, že proteiny jsou vysoce dynamické molekuly a schopnost modelovat tuto dynamiku pomůže objasnit funkční význam jejich pohybů. Tým se snaží vyvinout nový grafický jazyk, který by lépe vyjadřoval strukturální heterogenitu, a řešit otázky, na které krystalografové v minulosti nemohli odpovědět. Nový model dokáže zachytit jemnější informace o struktuře a dynamice než současné databáze proteinů.

Cílem je, aby experimentálně vedený AlphaFold předpovídal, jak heterogenní molekulární struktura bude, a generoval tak data pro další trénování nástroje. Každá nově modelovaná struktura může zlepšit budoucí předpovědi a přiblížit model fyzické realitě. Tento přístup by mohl v několika letech umožnit uspořádání veškerých strukturních informací v Protein Data Bank (PDB).

Kromě předpovídání struktur ze sekvencí se tým zaměřuje na rekonstrukci věrohodných strukturních souborů z „šumivých“ experimentálních dat, čímž pomáhá získat chybějící informace. Předpovídání této přirozené „rozmazanosti“ proteinů by mohlo výrazně posílit modelování velkých proteinových komplexů a pokročit v inverzním designu proteinů, což je klíčové pro bioinženýrství a objevování léků. Vědci věří, že budoucnost strukturního designu spočívá v navrhování souborů struktur v závislosti na čase, ukazujících, jak se struktury mění v milisekundách. Tři související studie, včetně jedné publikované v Nature Biotechnology a dalších přijatých na mezinárodní konference, ukazují potenciál tohoto přístupu k odhalování dříve nemodelovaných konformací a k integraci do standardních nástrojů biologického výzkumu.