Nowa platforma uczenia maszynowego o nazwie MULTI-evolve znacznie przyspiesza proces projektowania białek o wysokiej wydajności, eliminując potrzebę niezliczonych eksperymentów prób i błędów. Ten przełom może przyspieszyć postęp w medycynie, biopaliwach i różnych dziedzinach przemysłu.
Wyzwanie dotyczące projektowania białek
Białka leżą u podstaw wielu nowoczesnych technologii, od leków ratujących życie po wydajniejsze enzymy w detergentach do prania. Poprawa charakterystyki białek często wymaga wprowadzenia wielu skoordynowanych zmian w ich sekwencjach aminokwasowych. Jednakże podstawienie pojedynczego aminokwasu może mieć wpływ na to, jak przyszłe podstawienia wpływają na funkcję białka, tworząc złożony problem odkrywania, który tradycyjnie wymaga wielu iteracyjnych testów laboratoryjnych. Jak zauważa bioinżynier Patrick Hsu, proces ten w przeszłości opierał się na „zgadywaniu i testowaniu”.
Jak działa MULTI-ewolucja
MULTI-evolve rozwiązuje ten problem integrując uczenie maszynowe z ukierunkowanymi eksperymentami laboratoryjnymi. Proces obejmuje trzy kluczowe etapy:
- Przewidywanie pojedynczej mutacji: System wykorzystuje istniejące dane lub modele uczenia maszynowego do przewidywania, jak zmiany pojedynczych aminokwasów wpływają na funkcję białka.
- Pokazywanie interakcji: Naukowcy tworzą i testują białka ze sparowanymi mutacjami, aby określić, jak te zmiany oddziałują na siebie. Generuje to ważne dane na temat połączonych efektów.
- Trenowanie modelu: Wyniki badań laboratoryjnych są wprowadzane do modelu uczenia maszynowego, który następnie przewiduje działanie białek z pięcioma lub większą liczbą mutacji w jednej rundzie.
Prawdziwe wyniki
Zespół z Uniwersytetu Kalifornijskiego w Berkeley i Instytutu Arc przetestował MULTI-evolve na trzech białkach, w tym na przeciwciału przeciwko chorobom autoimmunologicznym i białku używanym do edycji genów CRISPR. We wszystkich przypadkach model zidentyfikował kombinacje mutacji, które w testach laboratoryjnych znacząco przewyższały oryginalne białka. Potwierdza to, że system może wiarygodnie wybierać skuteczne zamienniki.
Implikacje i przyszłe zastosowania
Projekt MULTI-evolve może zrewolucjonizować sposób projektowania białek. Hsu identyfikuje dwa obiecujące obszary: śledzenie ruchu białek w komórkach i opracowywanie skuteczniejszych terapii genowych w przypadku niedoborów enzymów. Oczekuje się, że to narzędzie zmieni sposób, w jaki naukowcy projektują białka, czyniąc proces szybszym, dokładniejszym i ostatecznie bardziej produktywnym.
„Jesteśmy podekscytowani tą pracą” – mówi Hsu. „Myślę, że istnieje ogromne zainteresowanie tym, jak faktycznie zmienia to praktykę naukową”.
Ta nowa platforma uczenia maszynowego stanowi poważny postęp w biotechnologii, oferując bardziej wydajny i dokładny sposób projektowania białek do szerokiego zakresu krytycznych zastosowań.
