Mokslininkai stabilizavo svarbų baltymą, pasitelkdami robotikos ir mašininio mokymosi galimybes. Jie taip pat įrodė, kad ši sistema tinka įvairiems baltymams. Jų sukurta robotikos platforma sutvirtinimo molekules sintetino daugiau nei 10 kartų greičiau nei pagrindiniai metodai. O mašininio mokymosi modelis atvėrė daug naujų galimybių rasti tinkamą medžiagų derinį, sutrumpindamas mokslininkų laiką, reikalingą baltymams su idealiomis atramomis suporuoti, mėnesiais ar net metais. Paveikslėlio autorinės teisės priklauso mokslininkams. Kreditas: Michael Webb/Princeton University Prinstono inžinerijos ir Rutgerso universiteto mokslininkai, pasitelkę robotikos ir mašininio intelekto galimybes, rado būdą, kaip sukurti stabilius baltymus per dalį laiko, palyginti su dabartiniais naujausiais metodais. Komandos robotikos platforma pagreitina darbą daugiau nei dešimt kartų, o jų skaičiavimo metodas randa sprendimus nuo kelių savaičių iki kelerių metų greičiau, nei tai įmanoma vien tik žmogaus intelekto pagalba.
Baltymų stabilizavimas yra pagrindinis iššūkis vaistų kūrimo, biodegalų gamybos ir plastiko perdirbimo moksliniams tyrimams. Šiuo metu mokslininkai naudojasi chemijos žiniomis, kad įvertintų, kokie cheminiai junginiai gerai derės su baltymais skirtingomis sąlygomis. Įprastiniu būdu rezultatai tikslinami bandymų ir klaidų metodu. Šis kruopštus metodas gali užtrukti mėnesius, kol mokslininkai sukuria ir išbando molekulių pavyzdžius, ir dažnai niekur neveda.
Naujojoje sistemoje inžinieriai naudoja mašininio mokymosi modelį, kad nustatytų cheminius junginius, kurie greičiausiai stabilizuos norimus baltymus. Modelis padeda susiaurinti šimtus tūkstančių galimybių iki kelių tikėtinų kandidatų. Robotizuota surinkimo platforma gamina molekulių pavyzdžius, kuriuos reikia įvertinti. Sujungus robotizuotą platformą su mašininio mokymosi modeliu, rezultatai gaunami vos per kelias dienas.
Šis dviejų turbinų metodas turi papildomą privalumą: dėl gebėjimo apdoroti didžiulius duomenų kiekius mašininio mokymosi modelis dažnai rekomenduoja tokias molekules, apie kurias mokslininkai nebūtų pagalvoję.
„Kalbant apie tai, ko galime ieškoti, tai beveik neribota, – sakė Prinstono cheminės ir biologinės inžinerijos docentas ir vienas iš dviejų vyresniųjų tyrimo autorių Maiklas Vebas (Michael Webb). „Mašininio mokymosi panaudojimas mūsų paieškoms nukreipti pagreitina atradimus kiekybiškai sunkiai išmatuojamu, bet labai svarbiu dydžiu. Gali būti, kad jei ir toliau pasikliautumėte sistemine paieška arba bandymais ir klaidomis, labai ilgai suktumėte ratus.”
Vadovaujami M. Webbo ir Rutgerso universiteto biomedicinos inžinerijos docento Adamo Gormley’io, tyrėjai savo rezultatus paskelbė žurnale Advanced Materials.
Kurdami savo sistemą, mokslininkai atkreipė dėmesį į tris išskirtinių savybių turinčius baltymus, įskaitant baltymą, randamą krienuose, kurie plačiai naudojami ligoninėse ir vandens valymo įrenginiuose.
„Jei mums pavyktų išspręsti šių trijų baltymų problemą, teoriškai tą pačią procedūrą galėtume taikyti visiems fermentams”, – sakė Rošanas Patelis (Roshan Patel), Webbo laboratorijos magistrantas ir vienas iš pirmųjų naujojo straipsnio autorių.
Nors baltymai gamtoje atlieka įvairius nuostabius darbus, jie paprastai būna išrankūs savo darbo sąlygoms. Temperatūros pokyčiai ar tirpiklių poveikis gali juos sustabdyti. Norėdami sutvirtinti baltymus, kad juos būtų galima naudoti ne jų gimtojoje aplinkoje, mokslininkai dažnai sutvirtina juos specialiomis pagalbinėmis medžiagomis, panašiomis į armatūrą betone, kad šios trapios struktūros būtų tvirtesnės. Tai svarbus žingsnis, leidžiantis sukurti daugybę biomedicinos, aplinkosaugos ir kitų pramoninių technologijų.
Tačiau norint rasti tobulą baltymo ir jo atraminės molekulės atitikmenį, reikia optimizuoti astronominį pasirinkimų skaičių. Įprastiniai metodai yra lėti ir dažniausiai nesistemingi – galvokite apie bandymus ir klaidas, o tai reiškia, kad dauguma galimų sprendimų lieka neištirti.
Naudodami krienų baltymą, mokslininkai pradėjo gaminti 500 įvairias atramines molekules, remdamiesi tradiciniu, intuityviu metodu. Kiekviena atrama turėjo tam tikrą potencialą plieninti baltymą nuo atšiaurių pramoninių sąlygų, tačiau tyrėjai nežinojo nieko daugiau. Tada jie išbandė kiekvieną 500 molekulę kaip atramą, rinkdami realius duomenis apie jos veikimą, ir tuo pat metu kompiuteriniam modeliui pateikė užduotį prognozuoti, ką jie ras. Palyginę prognozes su rezultatais, jie galėjo patobulinti kompiuterinį modelį naudodami teigiamo pastiprinimo procesą, vadinamą pastiprinimo mokymusi
Naudodami naujai apmokytą kompiuterinį modelį, tyrėjai išplėtė paiešką iki daugiau nei pusės milijono galimų atraminių molekulių. Kiekviena molekulė reiškė skirtingą receptą, sudėliotą iš tūkstančių įvairios konfigūracijos ingredientų. Jie keturis kartus perleido duomenis per modelį, kiekvieną kartą ieškodami dviejų dalykų: molekulių, kurios būtų pranašesnės už kitas, arba molekulių, turinčių kokių nors įdomių savybių, dėl kurių algoritmas taptų dar sudėtingesnis.
„Penktojo bandymo metu, – pasakojo Vebas, – mes nuėmėme rankogalius. Pasakėme: „Gerai, pateikite mums geriausias 24 [molekules], kokias tik galite rasti.”
Palyginti su molekulėmis, kurias jie nustatė naudodami intuicija pagrįstus metodus, naujasis mašininis metodas rado pagalbines molekules, kurios krienų baltymui veikė daugiau nei penkis kartus geriau. Dirbant su lipaze – baltymu, kuris organizme skaido riebalus, rezultatai buvo kur kas dramatiškesni. Naujoji sistema rado atraminę molekulę, kuri pagerino veikimą maždaug 50 kartų, palyginti su pirminiais pasirinkimais, ir netgi privertė baltymą geriau veikti ne savo gimtojoje aplinkoje, nei jis veiktų natūralioje būsenoje.
„Yra daug dalykų, kuriais galima manipuliuoti [šiose molekulėse], įskaitant jų pagrindinių vienetų chemiją, jų dydį, architektūrą, seką, – sakė Vebas (Webb). „Visi šie dalykai gali turėti įtakos savybėms taip, kad jas būtų galima išnaudoti”.
Webbas sakė, kad jie galėtų dar labiau supaprastinti ir pagreitinti procesą, integruodami mašininio mokymosi modelį su vietoje esančia fizine robotikos sistema. Didelė dalis pradinio darbo buvo atlikta siunčiant duomenis iš vienos laboratorijos į kitą.
Jis taip pat atkreipė dėmesį į konkrečius komandos pradėtus darbus, kuriuose suradus molekules, stabilizuojančias baltymus, būtų galima rasti transformuojančius sprendimus: naują būdą perdirbti sunkiai lūžtančius plastikus ir neinvazinį nugaros smegenų traumų gydymą.
„Yra galimybė atlikti tolesnius veiksmus ir tiksliau išsiaiškinti, kodėl šie dalykai veikia ir kokiomis sąlygomis jie veikia”, – sakė Webbas.
Daugiau informacijos: Matthew J. Tamasi et al, Machine Learning on a Robotic Platform for the Design of Polymer-Protein Hybrids, Advanced Materials (2022). DOI: 10.1002/adma.202201809
Citation: Automatizavimas pagreitina stabilių baltymų paiešką (2022, rugpjūčio 2 d.) gauta rugpjūčio 2 d. 2022 iš https://techxplore.com/news/2022-08-automation-stable-proteins.html
Šiam dokumentui taikomos autorių teisės. Be raštiško leidimo negalima atgaminti jokios dokumento dalies, išskyrus sąžiningą naudojimą asmeninių studijų ar mokslinių tyrimų tikslais. Turinys pateikiamas tik informaciniais tikslais.
