Ученые из Центра Донелли при Университете Торонто разработали передовую модель искусственного интеллекта под названием PepFlow, которая позволяет с беспрецедентной точностью предсказывать разнообразные формы, которые принимают пептиды.
Пептиды - это небольшие молекулы, состоящие из аминокислот, строительных блоков белков.
Хотя пептиды похожи на белки, они гораздо меньше и гибче, что позволяет им складываться в огромное количество форм.
Специфическая форма пептида очень важна, поскольку она определяет, как он взаимодействует с другими молекулами в организме, что, в свою очередь, диктует его биологическую функцию.
Предсказание структуры белков и пептидов - давняя проблема в биологии. Благодаря сложной математике это отличная задача для машинного обучения.
В последние годы появились такие модели искусственного интеллекта, как AlphaFold 2 и 3разработанные компанией Google DeepMind, произвели революцию в предсказании структуры белков.
AlphaFold2 использует глубокое обучение для предсказания наиболее вероятной 3D-структуры белка на основе его аминокислотной последовательности. Но вЕсли AlphaFold2 оказался невероятно успешным для белков, то при работе с такими гибкими молекулами, как пептиды, он имеет свои ограничения.
"До сих пор нам не удавалось смоделировать весь спектр конформаций пептидов". сказал Усама Абдин, первый автор исследования.
Pepflow, задокументированный в опубликованное исследование в журнале "Машинный интеллект" (Nature Machine Intelligence), "с помощью глубокого обучения можно за считанные минуты определить точные и достоверные конформации пептида".
В PepFlow используются модели искусственного интеллекта, созданные на основе Boltzmann generators. Эти модели изучают фундаментальные физические принципы, которые определяют, как химическая структура пептида определяет спектр его возможных форм.
Это позволяет PepFlow точно предсказывать структуры пептидов с необычными свойствами, например, кольцевых пептидов, образованных в результате макроциклизации. Макроциклические пептиды представляют особый интерес для разработки лекарств благодаря своим уникальным связывающим свойствам.
От моделей типа AlphaFold2 PepFlow отличает способность предсказывать не одну структуру, а весь "энергетический ландшафт" пептида.
Энергетический ландшафт представляет все возможные формы пептида и то, как он переходит от одной конформации к другой.
Улавливание этой структурной сложности является ключом к uПонимание того, как пептиды функционируют в различных биологических контекстах.
Исследователи из @UofT разработали #DeepLearning Модель под названием PepFlow, которая может предсказывать все возможные формы пептидов.
PepFlow может помочь в разработке лекарств благодаря дизайну пептидов, которые действуют как связывающие вещества. #DrugDiscovery
Узнать больше 👉 https://t.co/eAKOg5e7Cz pic.twitter.com/mYP9YeiCOe
- Центр Доннелли (@DonnellyCentre) 27 июня 2024 года
Значение
Возможность высокоточного предсказания пептидных структур имеет большое значение для разработки терапевтических средств на основе пептидов.
"Пептиды были в центре внимания модели PepFlow, потому что они являются очень важными биологическими молекулами и, естественно, очень динамичны, поэтому нам необходимо моделировать их различные конформации, чтобы понять их функции", - объясняет Philip M. Kim, ведущий исследователь исследования.
"Они также важны как терапевтические средства, о чем свидетельствуют аналоги GLP1, такие как Ozempic, используемые для лечения диабета и ожирения".
Пептидные препараты имеют ряд преимуществ перед традиционными мелкомолекулярными лекарствами и более крупными белковыми терапевтическими средствами. Они более специфичны в своем действии, обладают меньшей токсичностью, чем мелкомолекулярные препараты, а также дешевле и проще в производстве, чем крупные белковые препараты.
PepFlow может ускорить открытие и разработку новых лекарств на основе пептидов, позволяя создавать пептиды с терапевтическими свойствами.
"На разработку PepFlow ушло два с половиной года, а на ее обучение - один месяц, но это стоило того, чтобы перейти на новый рубеж, за пределы моделей, предсказывающих только одну структуру пептида", - заключил Абдин.
Это произошло после выхода EvolutionaryScale ESM3 на этой неделепограничная генеративная модель для биологии, которая также фокусируется на белках.
