Log masuk ke Sains, pertalian dadah meningkat 37 kali ganda, AI melakukan pengoptimuman kompleks protein dan antibodi tanpa pengawasan

Protein terlibat dalam banyak fungsi biologi seperti komposisi sel, pengecutan otot, penghadaman makanan, dan pengenalpastian virus.

Untuk mereka bentuk protein yang lebih baik (termasuk antibodi), saintis sering berulang kali memutasi asid amino (menyusun unit yang membentuk protein dalam susunan tertentu) pada kedudukan yang berbeza sehingga protein memperoleh fungsi yang diperlukan.

Tetapi terdapat lebih banyak urutan asid amino daripada butiran pasir di dunia, jadi mencari protein terbaik, dan dengan itu ubat berpotensi terbaik, selalunya sukar. Apabila berhadapan dengan cabaran ini, saintis sering membelanjakan berjuta-juta dolar dan menguji versi sistem biologi yang diperkecil dan dipermudahkan.

"Ini memerlukan banyak tekaan dan pengesahan." Brian L. Hie, penolong profesor kejuruteraan kimia di Universiti Stanford dan rakan inovasi di Institut Arc, berkata, "Matlamat banyak algoritma pintar adalah untuk menghapuskan tekaan daripada ia.”

Para saintis Universiti Stanford telah membangunkan kaedah baharu berdasarkan pembelajaran mesin yang boleh meramalkan perubahan molekul yang membawa kepada ubat antibodi yang lebih baik dengan lebih cepat dan lebih tepat. Menggabungkan struktur 3D tulang belakang protein dengan model bahasa yang besar berdasarkan urutan asid amino, para penyelidik dapat menemui mutasi yang jarang dan diingini dalam beberapa minit.

Kajian itu bertajuk "Evolusi kompleks protein dan antibodi tanpa pengawasan dengan model bahasa bermaklumat struktur" dan diterbitkan dalam "Sains" pada 4 Julai 2024.

Model bahasa besar yang dilatih semata-mata pada maklumat jujukan boleh mempelajari prinsip reka bentuk protein peringkat tinggi. Walau bagaimanapun, sebagai tambahan kepada jujukan, struktur tiga dimensi protein menentukan fungsi khusus, aktiviti dan kebolehubahannya.

Untuk masalah kejuruteraan antibodi, penyelidik di Universiti Stanford menggunakan model bahasa protein termaklum secara struktur untuk meramalkan urutan kecergasan tinggi yang dikekang oleh struktur kompleks antibodi atau antibodi-antigen yang diketahui.

Penyelidikan menunjukkan bahawa model bahasa protein sejagat ditambah dengan koordinat tulang belakang struktur protein boleh membimbing evolusi protein yang berbeza tanpa perlu memodelkan tugas fungsional individu.

1. Paradigma berpandukan struktur:

   • tidak memodelkan takrifan eksplisit fungsi protein atau kecergasan.
   • Fokus pada kawasan yang mengekalkan lipatan tulang belakang protein dan secara tidak langsung meneroka landskap kecergasan.
   • Anggap evolusi dalam julat kemungkinan jujukan tinggi adalah keutamaan yang sah untuk varian kecergasan tinggi.

2. Aplikasi meluas:

   • secara tidak langsung boleh mengkaji landskap kecergasan protein dalam persekitaran yang berbeza, seperti pemangkinan enzim, rintangan antibiotik dan rintangan kemoterapi.

3. Reka bentuk kompleks protein:

   • ESM-IF1 yang dilatih hanya pada struktur rantai tunggal boleh dilanjutkan untuk mereka bentuk kompleks protein.
   • Menunjukkan bahawa model bahasa maklumat struktur secara tersirat boleh belajar untuk menggabungkan ciri dan digeneralisasikan kepada poliprotein.

4. Evolusi Antibodi Manusia:

   • Kaedah ini amat berharga untuk evolusi antibodi manusia dan boleh digunakan untuk merawat pelbagai penyakit.
   • Antibodi memberikan perlindungan dengan mengikat antigen sasaran.

5. Ganti sejumlah besar data:

   • Struktur boleh menggantikan sejumlah besar data dan komputer masih boleh belajar.
   • Lebih banyak antibodi mempunyai peluang pengoptimuman.

6. Evolusi terarah:

   • Kaedah ini digunakan untuk memandu secara eksperimen aktiviti evolusi terarah bagi pelbagai protein.
   • Jana reka bentuk dengan aktiviti berfungsi yang lebih baik daripada protein jenis liar.
   • Tidak perlu menganalisis data kecergasan berlabel atau penyeliaan model khusus tugas.

     

     Ilustrasi: Antibodi yang berkembang menggunakan model bahasa maklumat struktur boleh meningkatkan potensi peneutralan dan daya tahan. (Sumber: kertas)

Dengan kaedah ini, pasukan menyaring kira-kira 30 calon untuk dua antibodi klinikal terapeutik untuk rawatan jangkitan coronavirus 2 (SARS-CoV-2) yang teruk. Pada masa yang sama, para penyelidik mencapai peningkatan 25 kali ganda dalam peneutralan dan peningkatan 37 kali ganda dalam pertalian terhadap BQ.1.1 dan XBB.1.5 varian virus melarikan diri antibodi, masing-masing.

Kesimpulannya, Alat ini akan membantu dengan cepat bertindak balas terhadap penyakit baru atau yang sedang berkembang. Ia juga merendahkan halangan untuk membuat ubat yang lebih berkesan. Ubat yang lebih kuat bermakna dos yang lebih rendah diperlukan, bermakna lebih ramai pesakit boleh mendapat manfaat daripada dos tertentu.

Pautan kertas: https://www.science.org/doi/10.1126/science.adk8946

Laporan berkaitan: https://phys.org/news/2024-07-ai-approach-optimizes- antibodi-ubat.html

Atas ialah kandungan terperinci Log masuk ke Sains, pertalian dadah meningkat 37 kali ganda, AI melakukan pengoptimuman kompleks protein dan antibodi tanpa pengawasan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!