DeepMind

Az áttörésre a Critical Assessment of Structure Prediction nevű verseny keretében került sor, melyet az AlphaFold meg is nyert, száz másik próbálkozót utasítva maga mögé.  A Nature-ben november 30-án közzétett tanulmány szerint az új megoldás felgyorsítja majd a sejtek építőelemeinek megértését, és a gyógyszerfejlesztést. A DeepMind tudósai már elkezdtek dolgozni a malária és az álomkór kórokozóinak működési mechanizmusán. A CASP versenyt John Moult, a Marylandi Egyetem bioinformatikusa indította el 1994-ben. Mostani nyilatkozata szerint bizonyos értelemben a problémát idén sikerült megoldani.

A Google 2014-ben vette meg az akkor 4 éves DeepMindot, melyről legtöbbet a sakk, a go, és a Starcraft játékokban elért sikerei miatt hallhattunk. Az említett játékokon tökéletesített algoritmusokat később más, komolyabb poblémák megoldásánál is felhasználhatják. Az AlphaFold már a két éve is megszerezte az első helyet, és Andrei Lupas, a Max Planck Fejlődésbiológiai Intézet evolúcióbiológusa azt mondta: 

“A módszer az orvostudománytól a kutatáson át a biomérnöki munkáig mindenhol változást hoz majd.” Lupas és csapata tíz éven keresztül dolgoztak eredménytelenül egy olyan problémán, amit az AlphaFold fél órán belül megoldott.

Voltak olyan esetek, melyeknél az AlphaFold által adott struktúra-előrejelzéseket nem tudták megkülönböztetni a hagyományos, jóval drágább és lassabb módszerek által adott eredményektől (röntgenkrisztallográfia, krio-elektronmikroszkópia). 

Janet Thornton, a Hinxton Európai Bioinformatikai Intézet-Európai Molekuláris Biológiai Laboratórium strukturális biológusa elmondta: “Nem gondoltam volna, hogy ezt a problémát még az életemben megoldják. Remélem, hogy a módszer segít majd közelebb jutni az emberi genomban lévő több ezernyi fehérje funkciójának felderítéséhez és a betegséget okozó génvariánsok megértéséhez.”

A sejtbiológiában a fehérje szerkezete határozza meg a funkcióját. A fehérjék felelnek a sejten belüli folyamatok túlnyomó többségéért. Az inzulin szabályozza a vércukor szintet, a megfelelő alakú antitestek pedig leküzdhetik a koronavírust, és mindez az alakjukon múlik. 

Ma már több mint 200 millió fehérjét ismerünk, de csupán egy apró töredékükhöz sikerült a fehérjeszerkezetet is megtalálni. Ezek keresése kísérleti módszerekkel zajlott, az internet megjelenése óta például a lakosság bevonásával a Foldit nevű letölthető program segítségével, ami a SETI@Home-hoz hasonlóan - amivel idegeneket kereshettünk az Univerzumban - a gamifikáció, vagyis játékos formában történő problémamegoldás eszközeivel igyekezett részt venni a feladatban.

A tudomány eszköztárához tartozott az 1950-es évektől alkalmazott röntgenkrisztallográfia, melynek során a kristályosított fehérjéket röntgensugarak alá helyezték, és a fénytörés felfedte a fehérjéket alkotó atomok térszerkezetét. A közelmúltban ezt már felváltotta krio-elektronmikroszkópia.

AlphaFold

A DeepMindot 170 ezer fehérjeszekvenciát és szerkezetüket tartalmazó adatbázison tanították, és az AlphaFold néhány hét alatt kialakította elképzeléseit a tapasztalt szabályosságokról. A betanítás után jöhetett az éles teszt.

“A program az első kísérletekben neurális hálózatokra épülő mélytanulással próbálta megbecsülni a fehérjékben található aminosav-párok egymástól való távolságát, kétdimenziós szerkezetét, strukturális és genetikai adatokra támaszkodva. Ezek után olyan konszenzusos modellt hozott létre, amihez már nincs szükség mesterséges intelligenciára” - mondta el John Jumper projektvezető, a DeepMindtól. 

A DeepMind ezek után egy neurális hálózat létrehozásával a fehérjék végleges szerkezetének kialakulását meghatározó fizikai és geometriai korlátok adataival kezdett dolgozni, a feladata pedig az volt, hogy megjósolja a célfehérje aminosav-szekvenciájának végleges szerkezetét. 

A CASP versenyen az AlphaFold számos jóslata kiemelkedően jól sikerült. A közepes nehézségű célfehérjék esetében a konkurensek átlagosan 100/75 pontos eredményével szemben 100/90 pontot ért el. Előrejelzéseinek kétharmada a kísérleti módszerekkel kialakított fehérje-szerkezetekkel is összevethető volt, néhányszor még annak gyanúja is felmerült, hogy a kísérleti eredmény esetleg kevésbé pontos, mint a szoftveres előrejelzés.

A DeepMind szoftvere mindazonáltal további fejlesztésre szorul, jelenleg az előzetesen mágneses magrezonancia spektroszkópiával meghatározott struktúráknál ad gyengébb eredményt, illetve azokban a proteinkomplexumokban található egyedi struktúráknál küzd nehézségekkel, ahol a többi fehérjével való interakció eltorzítja a térszerkezeteket.

(Forrás: Nature Kép: DeepMind)

Ez is érdekelhet:

A sötét kémiával az élet titkainak nyomában Újabb nagy felfedezés érkezett az élet eredete utáni nyomozás laboratóriumaiból, ami talán a pánspermia elméletet is igazolhatja. A legújabb kutatás kimutatta, hogy a legegyszerűbb aminosav a csillagközi felhőkben is létrejöhet a sötét kémia segítségével.

Megvan 332 emberi fehérje térképe, melyekhez a COVID-19 kapcsolódhat. És ez nem minden A hálózati gyógyászat is segít megtalálni a lehetséges COVID-19 gyógyszereket. Most elkészült 332 olyan humán fehérje térképe, amelyhez a vírusfehérjék kötődnek. Ennek alapján azok a meglévő gyógyszerek is azonosíthatóak, amelyek esetleg felhasználhatók a betegség kezelésére.

Véget ért a SETI@home, a Berkeley Egyetem kutatása földönkívüliek után. Vajon megtalálták őket?

21 évig emberek milliói segítették a Berkeley Egyetem idegen élettől származó jelek utáni kutatását. Az egyetem szerint most eljött az ideje elemezni az eredményeket.