O nouă metodă îmbunătățește ingineria proteinelor prin utilizarea datelor masive
Ingineria proteinelor este un domeniu pregătit pentru cercetarea în inteligența artificială.
Fiecare proteină este compusă din aminoacizi, iar pentru a optimiza funcția unei proteine, cercetătorii modifică proteinele, înlocuind unul dintre cei 20 de aminoacizi cu altul. Astfel, pentru o proteină formată din 50 de aminoacizi, se ajunge la aproximativ 1,13×1065 combinații potențiale de testat – adică 113 urmat de 65 de zerouri, ceea ce reprezintă de cinci ori mai multe zerouri decât are un trilion.
Acest număr enorm de combinații, imposibil de testat în laborator, face din ingineria proteinelor o provocare ideală pentru inteligența artificială. Modelarea combinațiilor care vor produce cele mai bune rezultate este o problemă perfectă pentru puterea de calcul masivă a tehnologiei. Inteligența artificială este la fel de bună ca datele utilizate pentru a o antrena, iar în unele domenii ale ingineriei proteinelor, datele necesare nu existau.
Una dintre cele mai mari provocări în ingineria proteinelor ghidată de inteligența artificială nu este generarea de modele de învățare automată, ci obținerea datelor experimentale corecte și suficiente pentru a le antrena. În ceea ce privește activitatea proteinelor, care optimizează ceea ce face o proteină, problema era foarte clară: pur și simplu nu existau suficiente seturi de date pentru a antrena modele precise.
Pentru a genera modele de inteligență artificială capabile să prezică cum să optimizeze funcția sau activitatea unei proteine, echipa lui Han Xiao a trebuit mai întâi să genereze suficiente date despre activitatea unei proteine date pentru a antrena un model de inteligență artificială. Într-o publicație recentă în Nature Biotechnology, echipa lui Xiao și colaboratorii de la Universitatea Johns Hopkins și Microsoft au realizat acest lucru, prezentând o abordare care a oferit datele necesare și a creat modele precise în doar trei zile.
Această abordare, numită Display-ul Secvenței, poate genera mai mult de 10 milioane de puncte de date într-un singur experiment. Aceste puncte de date sunt apoi introduse în modelele de inteligență artificială bazate pe limbajul proteinelor, care le utilizează pentru a prezice ce modificări ale aminoacizilor unei proteine vor crea schimbarea dorită în activitatea sau funcția acesteia.
„Am reușit să dezvoltăm un sistem de codificare bazat pe activitate care înregistrează activitatea variantelor individuale de proteine și generează tipul de set de date necesar pentru a antrena un model de învățare automată”, a declarat Linqi Cheng. „Apoi, modelul a fost capabil să prezică mutații care au îmbunătățit semnificativ activitatea proteinei pe care o studiam.”
Echipa a ales o proteină mică CRISPR-Cas pentru a demonstra conceptul. Această proteină era apreciată pentru dimensiunea sa, dar era limitată în activitatea sa de a viza segmente de ADN pentru a le tăia. Cercetătorii au dorit să identifice o versiune care să poată tăia o varietate mai largă de ținte ADN.
Inițial, au mutat ADN-ul care codifică proteina Cas9, creând multe variații. Fiecărui variant i-a fost atașat un cod de bare ADN gol, împreună cu un editor special care ar schimba codul de bare în funcție de nivelul de activitate al proteinei. Pe măsură ce nivelurile de activitate ale proteinei au crescut, la fel s-au schimbat și codurile de bare. Acest lucru a însemnat că cele mai active variante de proteine au avut cele mai mari modificări în codurile lor de bare. Codurile de bare ADN au fost apoi citite prin secvențiere de generație următoare, care scana practic codul de bare și clasifica fiecare secvență în funcție de nivelul de activitate.
„Inteligența artificială nu înlocuiește experimentul aici. Ea depinde în schimb de experiment”, a spus Cheng. „Display-ul Secvenței ne oferă fundația de date, iar modelele ne ajută să căutăm un spațiu de date mult mai mare pentru candidați puternici.”
Echipa a repetat cu succes acest proces cu alte proteine, inclusiv aminoacil-tRNA sintetaze, deaminază de citozină și inhibitorul de uracil glicozilază. În fiecare caz, experimentul de codificare a generat suficiente puncte de date pentru a antrena modelele de inteligență artificială.
„Această abordare oferă un cadru practic pentru integrarea inteligenței artificiale cu ingineria proteinelor”, a afirmat Xiao. „În loc să ne bazăm pe învățarea automată ca soluție independentă, o combinăm cu o platformă experimentală care generează date de antrenament de înaltă calitate. Această sinergie permite descoperirea mai eficientă a unor unelte avansate de cercetare și a proteinelor terapeutice de nouă generație.”
