Forskere ved University of Washington School of Medicine brukte kunstig intelligens til å designe nye proteinmolekyler på en måte som åpner for spennende muligheter for påvisning og behandling av sykdommer.
Hvor effektivt et legemiddel er i behandlingen av en sykdom, avhenger i stor grad av hvor spesifikt det binder seg til det sykdomsfremkallende målet, og hvor sterkt det binder seg til målet.
Den nesten uendelige mengden av potensielle proteinformer gjør det ekstremt vanskelig å designe et protein med både høy affinitet (bindingsstyrke) og høy spesifisitet.
Å finne proteiner som binder seg sterkt til spiralformede peptidmål som glukagon, nevropeptid Y og biskjoldbruskkjertelhormon, var den utfordrende oppgaven forskerne håpet AI kunne hjelpe dem med. Artikkelen deres, publisert i Natureviser potensialet for at kunstig intelligens kan revolusjonere utvikling av legemidler.
Forskerne brukte først deep learning-hallusinasjonsmetoder med AlphaFold2 og RosettaFold. Disse avanserte AI-programmene har vært til stor hjelp i arbeidet med å designe nye proteiner, men de bruker mye datakraft.
I et forsøk på å finne en mer beregningseffektiv metode for proteindesign, vendte forskerne seg til en tilnærming som ligner på den som driver AI-bildegeneratormodeller som Stable Diffusion og DALL-E.
Papir i dag @Nature beskriver @UWproteindesign AI-genererte proteiner med eksepsjonelt høy bindingsaffinitet og spesifisitet. Denne bioteknologien har betydning for utvikling av legemidler, sykdomsdeteksjon og miljøovervåking. https://t.co/KhtGhiyf6I
- UW Medicine Newsroom (@uwmnewsroom) 18. desember 2023
RFdiffusjon
RFdiffusion er en banebrytende generativ AI-modell som trenes opp på data fra kjente proteinstrukturer. Modellen finjusterer og omorganiserer deretter iterativt atomer til definerte proteinstrukturer.
RFdiffusion ble trent opp til å fjerne støy fra skyer av atomer som ikke er koblet sammen, og deretter omorganisere dem til nye proteinstrukturer. Denne modellen ble brukt sammen med programvareverktøyet ProteinMPNN, utviklet av Baker Lab, som er en del av Institutt for proteindesign ved University of Washington.
ProteinMPNN tar utgangspunkt i en proteinstruktur og bruker dyplæringsteknikker til raskt å identifisere nye aminosyresekvenser som sannsynligvis vil folde seg til spesifikke proteinstrukturer.
Spennende resultater
Proteinene forskerne designet, viste eksepsjonelt høy affinitet og spesifisitet til peptidene de var rettet mot. Det betyr at de potensielt kan brukes til å lage legemidler som retter seg mot årsaken til en sykdom, i stedet for å binde seg til utilsiktede mål og potensielt forårsake bivirkninger.
Proteinsyntese er ikke noe nytt, men denne nye tilnærmingen leverte proteiner som oppnådde den høyeste interaksjonsstyrken som noensinne er rapportert mellom et biomolekyl designet av en datamaskin og målet.
David Baker, professor i biokjemi ved UW Medicine og forsker ved Howard Hughes Medical Institute, var hovedforfatter av forskningsartikkelen.
Baker forklarte betydningen av resultatene slik: "Evnen til å generere nye proteiner med så høy bindingsaffinitet og spesifisitet åpner opp for en verden av muligheter, fra nye sykdomsbehandlinger til avansert diagnostikk."
I dag finnes det mange sykdommer som behandles ved hjelp av antistoffer. Antistoffer er imidlertid dyre å produsere og har kort holdbarhet.
Preetham Venkatesh, en av de ledende forskerne, sier: "Det er mange sykdommer som er vanskelige å behandle i dag, rett og slett fordi det er så utfordrende å oppdage visse molekyler i kroppen. Som diagnoseverktøy kan designede proteiner være et mer kostnadseffektivt alternativ til antistoffer."
Forskerne kunne validere sine metoder for biologisk design ved å gjennomføre laboratorietester i samarbeid med Joseph Rogers Lab ved Københavns Universitet og Andrew Hoofnagle Lab ved UW Medicine.
Denne forskningen er et godt eksempel på hvordan kunstig intelligens fremskynder utviklingen av nye behandlinger for sykdommer. Artikkelen er ennå ikke fagfellevurdert, men de første resultatene er svært spennende.
