В качестве альтернативы распространенным методам генеративного искусственного интеллекта исследовательская группа под руководством Хендрика Дица из Мюнхенского технического университета и Сергея Овчинникова из Массачусетского технологического института в Бостоне использовала оптимизацию расслабленной последовательности, чтобы Снова дизайн белка, который обеспечивает эффективную и надежную конвергенцию к оптимальным структурам на основе Итеративная эволюция последовательностей с использованием «галлюцинации» на основе градиентного спуска без необходимости какой-либо формы переобучения.
Градиентный спуск — распространенный метод оптимизации модели. В пошаговом процессе его можно использовать для выявления отклонений от желаемой целевой функции и корректировки параметров до достижения оптимального результата. При проектировании белков градиентный спуск можно использовать для сравнения структуры новых белков, предсказанных AlphaFold2, с желаемой структурой белка. Это позволяет ученым дополнительно оптимизировать аминокислотную цепь и полученную структуру, которая во многом определяет стабильность и функцию белка и зависит от тонких энергетических взаимодействий.
По словам первого автора Кристофера Франка: «Мы произвели и экспериментально охарактеризовали более 100 белков», содержащих до 1000 аминокислот, которые были подтверждены кристаллографией белков высокого разрешения и картами плотности криоэлектронной микроскопии. «Наш конвейер также можно использовать для разработки синтетических белок-белковых взаимодействий, экспериментально подтвержденных набором белковых гетеродимеров», — пишут исследователи в своей статье.
Процесс проектирования отличается от предыдущих подходов. «Мы разработали процесс создания новых белков, чтобы изначально игнорировать пределы того, что физически возможно. Обычно в каждой точке аминокислотной цепи предполагается только один из 20 возможных строительных блоков. Вместо этого мы использовали вариант, в котором все возможности практически наложены друг на друга», — объясняет Фрэнк.
Это виртуальное наложение не может быть напрямую преобразовано в реально производимый белок. Но это позволяет итеративно оптимизировать белок. «Мы улучшаем расположение аминокислот за несколько итераций, пока новый белок не станет очень близок к желаемой структуре», — объясняет Кристофер Франк. Эта оптимизированная структура затем используется для определения аминокислотной последовательности, которая фактически может быть собрана в белок в лаборатории.
«Нам удалось показать, что спроектированные нами конструкции очень близки к реально производимым конструкциям», — подчеркнул Франк. Разработка белков, содержащих до 1000 аминокислот, «приближает нас к размеру антител и, как и в случае с антителами, мы можем затем интегрировать в такой белок несколько желаемых функций», — заключает руководитель группы Дитц. «Это может, например, послужить поводом для распознавания и подавления патогенов. »
