Нова структура машинного навчання під назвою MULTI-evolve значно прискорює процес проектування високопродуктивних білків, усуваючи необхідність у незліченних експериментах методом спроб та помилок. Цей прорив обіцяє прискорити досягнення в медицині, біопаливі та різних промислових галузях.
Завдання проектування білків
Білки лежать в основі багатьох сучасних технологій — від ліків, що рятують життя, до більш ефективних ферментів у пральних порошках. Поліпшення характеристик білків часто вимагає внесення кількох скоординованих змін до їх амінокислотних послідовностей. Однак заміна однієї амінокислоти може вплинути на те, як майбутні заміни впливають на функцію білка, створюючи складне завдання пошуку, яке традиційно вимагає безлічі ітеративних лабораторних тестів. Як зазначає біоінженер Патрік Хсу, цей процес історично був заснований на «вгадуванні та перевірці».
Як працює MULTI-evolve
MULTI-evolve вирішує це завдання, інтегруючи машинне навчання з цілеспрямованими лабораторними експериментами. Процес включає три ключові кроки:
- Прогнозування одиночних мутацій: Система використовує існуючі дані або моделі машинного навчання для прогнозування того, як окремі зміни амінокислот впливають на функцію білка.
- Відображення взаємодій: Дослідники створюють та тестують білки з парними мутаціями, щоб визначити, як ці зміни взаємодіють один з одним. Це генерує важливі дані про комбіновані ефекти.
- Навчання моделі: Лабораторні результати передаються у модель машинного навчання, яка потім прогнозує продуктивність білків із п’ятьма або більше мутаціями за один раунд.
Реальні результати
Команда з Каліфорнійського університету в Берклі та Інституту Arc протестувала MULTI-evolve на трьох білках, включаючи антитіло для аутоімунних захворювань та білок, що використовується у редагуванні генів CRISPR. У всіх випадках модель виявила комбінації мутацій, які значно перевершували вихідні білки у лабораторних тестах. Це підтверджує, що система може надійно вибирати ефективні заміни.
Наслідки та майбутні додатки
MULTI-evolve може революціонізувати те, як проектуються білки. Хсу виділяє два перспективних напрями: ** відстеження руху білків всередині клітин і розробка ефективніших генних терапій при ферментних дефіцитах.
«Ми раді цій роботі», – каже Хсу. “Я думаю, що існує величезний інтерес до того, як це насправді змінює наукову практику”.
Ця нова структура машинного навчання є великим кроком вперед у біотехнологіях, пропонуючи ефективніший і точніший спосіб проектування білків для широкого спектру критично важливих застосувань.
