Napredni algoritam koji je razvio Google DeepMind donekle je uspeo da razbije jednu od najvećih nerešenih misterija u biologiji. AlphaFold ima za cilj da predvidi 3D strukture proteina iz „koda instrukcija“ u njihovim građevinskim blokovima. Najnovija nadogradnja je nedavno objavljena. Najnovija nadogradnja je nedavno objavljena.
Proteini su esencijalni delovi živih organizama i učestvuju u gotovo svakom procesu u ćelijama. Ali njihovi oblici su često složeni i teško ih je vizualizovati. Dakle, mogućnost predviđanja njihovih 3D struktura pruža prozore u procese unutar živih bića, uključujući ljude.
Ovo pruža nove mogućnosti za stvaranje lekova za lečenje bolesti. Ovo zauzvrat otvara nove mogućnosti u onome što se zove molekularna medicina. Ovde naučnici nastoje da identifikuju uzroke bolesti na molekularnoj skali i takođe razviju tretmane za njihovo ispravljanje na molekularnom nivou.
Prva verzija DeepMindovog AI alata je predstavljena 2018. Najnovija iteracija, objavljena ove godine, je AlphaFold3. Svetsko takmičenje za procenu novih načina predviđanja struktura proteina, Kritička procena predviđanja strukture (Casp) održava se svake dve godine od 1994. Godine 2020. Casp takmičenje je trebalo da testira AlphaFold2 i bilo je veoma impresionirano. Od tada, istraživači željno očekuju svaku novu inkarnaciju algoritma.
Međutim, kao studentu na master studijama jednom su mi zamerili što sam koristio AlphaFold2 u nekim od mojih kurseva. To je zato što se smatralo samo za prediktivno sredstvo. Drugim rečima, kako bi neko mogao da zna da li se ono što je predviđeno poklapa sa proteinom iz stvarnog života bez eksperimentalne provere?
Ovo je legitimna tačka. Oblast eksperimentalne molekularne biologije pretrpela je sopstvenu revoluciju u protekloj deceniji sa snažnim napretkom u tehnici mikroskopa koja se zove krio-elektronska mikroskopija (krio-EM), koja koristi zamrznute uzorke i nežne elektronske zrake da bi uhvatila strukture biomolekula u visokoj rezoluciji .
Prednost AI alata kao što je AlphaFold je u tome što može da razjasni proteinske strukture mnogo brže (za nekoliko minuta) bez ikakvih troškova. Rezultati su dostupniji i dostupniji globalno na mreži. Oni takođe mogu predvideti strukturu proteina koje je veoma teško eksperimentalno proveriti, kao što su membranski proteini.
Međutim, AlphaFold2 nije dizajniran da se bavi nečim što se zove kvaternarna struktura proteina, gde više proteinskih podjedinica formira veći protein. Ovo uključuje dinamičku vizualizaciju načina na koji se savijaju različite jedinice proteinskog molekula. Neki istraživači su izvestili da se ponekad čini da ima poteškoća u predviđanju strukturnih elemenata proteina poznatih kao kalemovi.
Kada me je moj profesor kontaktirao u maju da prenese vest da je AlphaFold3 objavljen, moje prvo pitanje je bilo o njegovoj sposobnosti da predvidi kvartarne strukture. Da li je uspelo? Da li smo sada bili u stanju da napravimo ogroman korak ka predviđanju kompletne strukture? Prvi izveštaji sugerišu da su odgovori na ta pitanja pozitivni.
Eksperimentalne metode su sporije. A kada su u stanju da shvate 3D strukturu molekula, to je više slično gledanju u statuu – snimak proteina – umesto da vide kako se kreće i deluje kako bi izvršio akcije u telu. Drugim rečima, želimo film, a ne fotografiju.
Eksperimentalne metode su se takođe tradicionalno borile sa membranskim proteinima — ključnim molekulima koji su vezani ili su povezani sa membranama ćelija. Oni su često ključni za razumevanje i lečenje mnogih najgorih bolesti.
Evo gde bi AlphaFold3 zaista mogao da promeni pejzaž. Ako je uspešan u predviđanju kvaternarnih struktura na nivou jednakom ili većem od eksperimentalnih metoda kao što su kristalografija, krio-EM i druge, i može da vizuelizuje membranske proteine bolje od konkurencije, onda ćemo zaista imati gigantski skok napred u našem trka ka istinskoj molekularnoj medicini .
AlphaFold3 se može pristupiti samo sa DeepMind servera, ali je jednostavan za korišćenje. Istraživači mogu dobiti svoje rezultate za nekoliko minuta jednostavno iz sekvence. Drugo obećanje AlphaFold3 je dalji poremećaj. DeepMind nije sam u svojim ambicijama da savlada problem savijanja proteina. Kako se približava sledeće Casp takmičenje, drugi žele da pobede u trci. Na primer, Liam McGuffin i njegov tim na Univerzitetu u Readingu ostvaruju dobitke u proceni kvaliteta i predviđanju stehiometrije proteinskih kompleksa. Stehiometrija se odnosi na proporcije u kojima elementi ili hemijska jedinjenja reaguju jedni sa drugima.
Ne jure svi naučnici u ovoj oblasti na isti način. Drugi pokušavaju da reše slične izazove u pogledu kvaliteta 3D modela ili specifičnih barijera kao što su one koje predstavljaju membranski proteini. Takmičenje je bilo izvanredno za napredak u ovoj oblasti.
Međutim, eksperimentalne metode neće uskoro nestati, niti bi trebalo. Napredak krio-EM je pohvalan, a rendgenska kristalografija nam i dalje daje najbolju rezoluciju o biomolekulima. Evropski KSFEL laser u Nemačkoj mogao bi biti sledeći prodor. Ove tehnologije će samo nastaviti da se poboljšavaju.
Moje najveće pitanje dok istražujemo ovo novo polje je da li će se naš ljudski instinkt da popusti dok ne budemo imali apsolutni dokaz preklopiti sa AlphaFold-om. Ako ova nova tehnologija bude u stanju da da rezultate uporedive ili veće od eksperimentalne verifikacije, da li ćemo biti spremni da je prihvatimo? Ako možemo, njegova brzina i tačnost bi mogli imati veliki uticaj na oblasti kao što je razvoj lekova.
Po prvi put, sa AlphaFold3, možda smo uklonili najznačajniju prepreku u revoluciji predviđanja proteina. Šta ćemo sa ovim novim svetom? I koji lek možemo da napravimo od njega?
