Novi model veštačke inteligencije koji su razvili istraživači USC i objavljen u Nature Methods može predvideti kako se različiti proteini mogu vezati za DNK sa tačnošću u različitim vrstama proteina, tehnološki napredak koji obećava smanjenje vremena potrebnog za razvoj novih lekova i drugih medicinskih tretmana.
Alat, nazvan Duboki prediktor specifičnosti vezivanja (DeepPBS), je geometrijski model dubokog učenja dizajniran da predvidi specifičnost vezivanja protein-DNK iz kompleksnih struktura protein-DNK. DeepPBS omogućava naučnicima i istraživačima da unesu strukturu podataka kompleksa protein-DNK u onlajn računarski alat.
„Strukture proteinsko-DNK kompleksa sadrže proteine koji su obično vezani za jednu sekvencu DNK. Za razumevanje regulacije gena, važno je imati pristup specifičnosti vezivanja proteina za bilo koju DNK sekvencu ili region genoma“, rekao je Remo. Rohs, profesor i osnivač katedre za kvantitativnu i računarsku biologiju na USC Dornsife College of Letters, Arts and Sciences.
„DeepPBS je AI alat koji zamenjuje potrebu za sekvencioniranjem visoke propusnosti ili eksperimentima strukturne biologije da bi se otkrila specifičnost vezivanja proteina i DNK.“
DeepPBS koristi geometrijski model dubokog učenja, vrstu pristupa mašinskom učenju koji analizira podatke koristeći geometrijske strukture. Alat veštačke inteligencije je dizajniran da uhvati hemijska svojstva i geometrijski kontekst protein-DNK kako bi se predvidela specifičnost vezivanja.
Koristeći ove podatke, DeepPBS proizvodi prostorne grafikone koji ilustruju strukturu proteina i odnos između proteinskih i DNK reprezentacija. DeepPBS takođe može predvideti specifičnost vezivanja u različitim porodicama proteina, za razliku od mnogih postojećih metoda koje su ograničene na jednu porodicu proteina.
„Za istraživače je važno da imaju na raspolaganju metod koji funkcioniše univerzalno za sve proteine i nije ograničen na dobro proučenu porodicu proteina. Ovaj pristup nam takođe omogućava da dizajniramo nove proteine“, rekao je Rohs.
Polje predviđanja strukture proteina je brzo napredovalo od pojave DeepMind-ovog AlphaFold-a, koji može predvideti strukturu proteina iz sekvence. Ovi alati su doveli do povećanja strukturnih podataka dostupnih naučnicima i istraživačima za analizu. DeepPBS radi u sprezi sa metodama predviđanja strukture za predviđanje specifičnosti za proteine bez dostupnih eksperimentalnih struktura.
Rohs je rekao da su aplikacije DeepPBS-a brojne. Ovaj novi metod istraživanja može dovesti do ubrzanja dizajna novih lekova i tretmana za specifične mutacije u ćelijama raka, kao i do novih otkrića u sintetičkoj biologiji i primenama u istraživanju RNK.
