MIT mokslininkai naudoja dirbtinį intelektą, kad sukurtų naujus baltymus, kurie viršija gamtoje esančius baltymus.
Jie sukūrė mašininio mokymosi algoritmus, kurie gali generuoti baltymus su specifinėmis struktūrinėmis savybėmis, kurie galėtų būti naudojami gaminant medžiagas, turinčias tam tikrų mechaninių savybių, tokių kaip standumas ar elastingumas. Tokios biologiškai įkvėptos medžiagos galėtų pakeisti medžiagas, pagamintas iš naftos ar keramikos, tačiau turinčios daug mažesnį anglies pėdsaką.
Mokslininkai iš MIT, MIT-IBM Watson AI Lab ir Tufts universiteto panaudojo generatyvųjį modelį, kuris yra tokio paties tipo mašininio mokymosi modelio architektūra, naudojama dirbtinio intelekto sistemose, pvz., DALL-E 2. Tačiau užuot naudoję jį tikroviškumui sukurti Vaizdai iš natūralios kalbos raginimų, kaip tai daro DALL-E 2, jie pritaikė modelio architektūrą, kad galėtų numatyti baltymų aminorūgščių sekas, kurios pasiekia konkrečius struktūrinius tikslus.
Šiandien publikuotame dokumente Chem, mokslininkai demonstruoja, kaip šie modeliai gali generuoti realistiškus, tačiau naujus baltymus. Modeliai, kurie mokosi biocheminių ryšių, kurie kontroliuoja baltymų formavimąsi, gali gaminti naujus baltymus, kurie galėtų suteikti unikalių pritaikymų, sako vyresnysis autorius Markusas Buehleris, Jerry McAfee inžinerijos profesorius ir civilinės bei aplinkos inžinerijos ir mechanikos inžinerijos profesorius.
Pavyzdžiui, šis įrankis galėtų būti naudojamas kuriant baltymų įkvėptas maisto dangas, kurios galėtų ilgiau išlikti šviežios, o žmonėms būtų saugu valgyti. Jis priduria, kad modeliai gali sukurti milijonus baltymų per kelias dienas, greitai suteikdami mokslininkams daugybę naujų idėjų, kurias reikia ištirti.
„Kai pagalvoji apie baltymų kūrimą, kurių gamta dar neatrado, tai tokia didžiulė dizaino erdvė, kad jos tiesiog nesutvarkysi pieštuku ir popieriumi. Turite išsiaiškinti gyvenimo kalbą, tai, kaip aminorūgštys koduoja DNR, o tada susijungia ir sudaro baltymų struktūras. Prieš giliai mokydamiesi, tikrai negalėjome to padaryti“, – sako Buehleris, kuris taip pat yra MIT-IBM Watson AI Lab narys.
Prie Buehlerio prisijungia pagrindinis autorius Bo Ni, Buehlerio atominės ir molekulinės mechanikos laboratorijos postdoc; ir Davidas Kaplanas, Sternų šeimos inžinerijos profesorius ir Tuftso bioinžinerijos profesorius.
Naujų įrankių pritaikymas užduočiai
Baltymus sudaro aminorūgščių grandinės, sujungtos 3D modeliais. Aminorūgščių seka lemia mechanines baltymo savybes. Nors mokslininkai nustatė tūkstančius baltymų, sukurtų evoliucijos metu, jie mano, kad daugybė aminorūgščių sekų lieka neatrastos.
Siekdami supaprastinti baltymų atradimą, mokslininkai neseniai sukūrė gilaus mokymosi modelius, kurie gali numatyti 3D baltymo struktūrą aminorūgščių sekų rinkiniui. Tačiau atvirkštinė problema – numatyti aminorūgščių struktūrų seką, atitinkančią projektavimo tikslus – pasirodė dar sudėtingesnė.
Naujas atėjimas į mašininį mokymąsi leido Buehleriui ir jo kolegoms įveikti šį sudėtingą iššūkį: dėmesiu pagrįstus sklaidos modelius.
Buehleris sako, kad dėmesiu pagrįsti modeliai gali išmokti labai ilgalaikius ryšius, o tai yra labai svarbu kuriant baltymus, nes viena mutacija ilgoje aminorūgščių sekoje gali sukurti arba sugadinti visą dizainą. Difuzijos modelis mokosi generuoti naujus duomenis per procesą, kuris apima triukšmo pridėjimą prie mokymo duomenų, tada išmoksta atkurti duomenis pašalinant triukšmą. Jie dažnai yra veiksmingesni už kitus modelius generuojant aukštos kokybės, tikroviškus duomenis, kurie gali būti pritaikyti tam, kad būtų pasiekti tam tikri tikslai, kad būtų patenkinti projektavimo reikalavimai.
Tyrėjai naudojo šią architektūrą, kad sukurtų du mašininio mokymosi modelius, kurie gali numatyti įvairias naujas aminorūgščių sekas, kurios sudaro baltymus, atitinkančius struktūrinio projektavimo tikslus.
„Biomedicinos pramonėje galbūt nenorėsite visiškai nežinomo baltymo, nes tada nežinai jo savybių. Tačiau kai kuriose programose galbūt norėsite visiškai naujo baltymo, panašaus į gamtoje randamą, bet veikiantį kitaip. Naudodami šiuos modelius galime generuoti spektrą, kurį valdome derindami tam tikras rankenėles“, – sako Buehleris.
Įprasti aminorūgščių lankstymo modeliai, žinomi kaip antrinės struktūros, sukuria skirtingas mechanines savybes. Pavyzdžiui, baltymai su alfa spiralės struktūromis duoda tamprias medžiagas, o iš beta lakštų struktūrų – standžias medžiagas. Derinant alfa spiralę ir beta lakštus galima sukurti tamprių ir tvirtų medžiagų, pavyzdžiui, šilko.
Tyrėjai sukūrė du modelius, vieną, kuris veikia pagal bendrąsias baltymo struktūrines savybes, o kitą – aminorūgščių lygiu. Abu modeliai veikia derindami šias aminorūgščių struktūras, kad gautų baltymus. Modeliui, kuris veikia pagal bendrąsias struktūrines savybes, vartotojas įveda norimą procentą skirtingų struktūrų (pavyzdžiui, 40 procentų alfa spiralės ir 60 procentų beta lapo). Tada modelis generuoja sekas, atitinkančias tuos tikslus. Antrajam modeliui mokslininkas taip pat nurodo aminorūgščių struktūrų tvarką, kuri suteikia daug smulkesnę kontrolę.
Modeliai yra sujungti su algoritmu, kuris numato baltymų lankstymą, kurį mokslininkai naudoja siekdami nustatyti baltymo 3D struktūrą. Tada jie apskaičiuoja jo gaunamas savybes ir patikrina jas pagal projekto specifikacijas.
Realistiški, bet nauji dizainai
Jie išbandė savo modelius, lygindami naujus baltymus su žinomais baltymais, turinčiais panašias struktūrines savybes. Daugelis jų šiek tiek sutapo su esamomis aminorūgščių sekomis, daugeliu atvejų apie 50–60 procentų, bet taip pat kai kurios visiškai naujos sekos. Panašumo lygis rodo, kad daugelis sukurtų baltymų yra sintetinami, priduria Buehleris.
Siekdami užtikrinti, kad numatyti baltymai būtų pagrįsti, mokslininkai bandė apgauti modelius įvesdami fiziškai neįmanomus dizaino tikslus. Jie buvo sužavėti pamatę, kad užuot gaminę neįtikėtinus baltymus, modeliai sukūrė artimiausią sintezuojamą tirpalą.
„Mokymosi algoritmas gali užfiksuoti paslėptus ryšius gamtoje. Tai suteikia mums pasitikėjimo teigti, kad viskas, kas išeis iš mūsų modelio, greičiausiai bus tikroviška“, – sako Ni.
Be to, mokslininkai planuoja eksperimentiškai patvirtinti kai kuriuos naujus baltymų modelius, gamindami juos laboratorijoje. Jie taip pat nori toliau tobulinti ir tobulinti modelius, kad galėtų sukurti aminorūgščių sekas, atitinkančias daugiau kriterijų, pavyzdžiui, biologines funkcijas.
„Mus dominančiose programose, tokiose kaip tvarumas, medicina, maistas, sveikata ir medžiagų dizainas, turėsime peržengti tai, ką padarė gamta. Čia yra naujas projektavimo įrankis, kurį galime naudoti kurdami galimus sprendimus, kurie galėtų padėti mums išspręsti kai kurias iš tiesų aktualias visuomenės problemas, su kuriomis susiduriame“, – sako Buehleris.
„Be savo natūralaus vaidmens gyvose ląstelėse, baltymai vis dažniau atlieka pagrindinį vaidmenį technologinėse programose, pradedant biologiniais vaistais ir baigiant funkcinėmis medžiagomis. Šiame kontekste pagrindinis iššūkis yra sukurti baltymų sekas, turinčias norimas savybes, tinkamas konkrečioms reikmėms. Generatyvūs mašininio mokymosi metodai, įskaitant tuos, kuriuose naudojami difuzijos modeliai, neseniai pasirodė kaip galingi įrankiai šioje erdvėje“, – sako Kembridžo universiteto fizikinės chemijos ir biofizikos profesorius Tuomas Knowlesas, kuris nedalyvavo šiame tyrime. „Buehleris ir kolegos demonstruoja esminę pažangą šioje srityje, pateikdami projektavimo metodą, leidžiantį pritaikyti antrinę suprojektuoto baltymo struktūrą. Tai yra jaudinanti pažanga, turinti įtakos daugeliui potencialių sričių, įskaitant funkcinių medžiagų statybinių blokų projektavimą, kurių savybes lemia antrinės konstrukcijos elementai.
„Šis konkretus darbas yra žavus, nes jame nagrinėjamas naujų baltymų, kurių dažniausiai nėra, kūrimas, bet tada tiriama, kokios būtų jų savybės mechanikos požiūriu“, – priduria Philipas LeDucas, William J. Brown mechanikos profesorius. Inžinierius Carnegie Mellon universitete, kuris taip pat nebuvo susijęs su šiuo darbu. „Mane asmeniškai sužavėjo idėja sukurti neegzistuojančias molekules, kurios turi funkcijų, kurių mes dar net neįsivaizdavome. Tai didžiulis žingsnis ta kryptimi“.
Šį tyrimą iš dalies palaikė MIT-IBM Watson AI Lab, JAV Žemės ūkio departamentas, JAV Energetikos departamentas, Armijos tyrimų biuras, Nacionaliniai sveikatos institutai ir Karinio jūrų laivyno tyrimų biuras.
