聯(lián)系我們
在蛋白質(zhì)設計中，如何生成具有預定義功能和特性的蛋白質(zhì)結構一直是一個(gè)具有挑戰性的問(wèn)題。近日，由多倫多大學(xué)的研究人員開(kāi)發(fā)了一種人工智能AI系統，可以使用生成擴散來(lái)創(chuàng )建自然界中沒(méi)有的蛋白質(zhì)——這與目前流行的AI圖像創(chuàng )建平臺（如Midjourney、OpenAI等）背后的技術(shù)相同。這篇名為Score-based generative modeling for de novo protein design的研究成果發(fā)表于《自然》子刊《Nature Computational Science 》，也是首次發(fā)表在同行評議的雜志上。研究指出，該AI系統將有助于促進(jìn)生殖生物學(xué)領(lǐng)域的發(fā)展，通過(guò)使全新的治療蛋白的設計和測試更加有效和靈活，有望加速藥物開(kāi)發(fā)。
蛋白質(zhì)由氨基酸鏈組成，氨基酸鏈可以折疊成三維形狀，決定蛋白質(zhì)的功能。這些形狀經(jīng)過(guò)數十億年的進(jìn)化，變化多端，復雜而且數量有限?，F在，隨著(zhù)對現有蛋白質(zhì)折疊方式的進(jìn)一步了解，研究人員已經(jīng)開(kāi)始利用人工智能原理設計自然界中不會(huì )產(chǎn)生的折疊模式。
由于很難預測哪些折疊將是真實(shí)的并在蛋白質(zhì)結構中起作用，研究人員決定通過(guò)將基于生物物理學(xué)的蛋白質(zhì)結構表示與圖像生成空間的擴散方法相結合來(lái)解決這個(gè)問(wèn)題。研究人員稱(chēng)這個(gè)新系統為 ProteinSGM，它來(lái)自于現有蛋白質(zhì)的大量圖像表示，這些圖像準確地編碼了蛋白質(zhì)的結構。
研究人員將這些圖像輸入到生成擴散模型中，該模型逐漸添加噪聲，直到每個(gè)圖像都變成噪聲。該模型跟蹤圖像如何變得更嘈雜，然后反向運行該過(guò)程，學(xué)習如何將隨機像素轉換為對應于全新蛋白質(zhì)的清晰圖像。
優(yōu)化圖像生成過(guò)程的早期階段是創(chuàng )建ProteinSGM的最大挑戰之一。使用AI系統的關(guān)鍵之一在于蛋白質(zhì)結構的適當的圖像表示，此后擴散模型就可以學(xué)習如何準確地生成新的蛋白質(zhì)。
擴散模型，也被稱(chēng)為基于分數的生成模型(SGMs)，在圖像合成方面顯示出驚人的表現。ProteinSGM是基于圖像的蛋白質(zhì)結構表示開(kāi)發(fā)的生成模型，可以產(chǎn)生真實(shí)的從頭生成的蛋白質(zhì)。
為了測試由ProteinSGM生成的新蛋白質(zhì)，研究人員使用 AlphaFold 2的改進(jìn)版OmegaFold進(jìn)行驗證。通過(guò) OmegaFold的匹配和實(shí)驗室的實(shí)驗測試，研究小組證實(shí)，幾乎所有的新序列都能折疊成所需的蛋白質(zhì)結構，也就是說(shuō)，由AI生成的在自然界任何地方都不存在的全新蛋白質(zhì)折疊得到了驗證。
研究人員認為，基于這項研究，下一步的研究方向則是通過(guò)ProteinSGM進(jìn)行進(jìn)一步開(kāi)發(fā)具有最大治療潛力的抗體和其他的蛋白質(zhì)。這將是一個(gè)非常令人興奮的研究和創(chuàng )新領(lǐng)域。
