Το
επίτευγμα, που χαρακτηρίσθηκε ορόσημο από τον επιστημονικό κόσμο, θα βοηθήσει
στην καλύτερη κατανόηση διαφόρων ασθενειών και στην επιτάχυνση της ανάπτυξης
νέων φαρμάκων, μεταξύ άλλων για την Covid-19. Inside every cell in your body, billions of tiny
molecular machines are hard at work. They’re what allow your eyes to detect
light, your neurons to fire, and the ‘instructions’ in your DNA to be read, which
make you the unique person you are. Google’s deep-learning program for
determining the 3D shapes of proteins stands to transform biology, say
scientists. A protein’s function is determined by its 3D shape. Credit:
DeepMind
Ένα
σύστημα τεχνητής νοημοσύνης με την ονομασία AlphaFold, που αναπτύχθηκε από τη
βρετανική εταιρεία DeepMind, θυγατρική της Google, κατάφερε για πρώτη φορά να
λύσει ένα από τα μεγάλα μυστήρια της βιολογίας εδώ και δεκαετίες: να προβλέπει
γρήγορα και με ακρίβεια πώς θα αναδιπλωθούν οι πρωτεΐνες, ποιο τρισδιάστατο
σχήμα θα πάρουν και άρα ποια θα είναι η λειτουργία τους. Το επίτευγμα, που
χαρακτηρίσθηκε ορόσημο από τον επιστημονικό κόσμο, θα βοηθήσει στην καλύτερη
κατανόηση διαφόρων ασθενειών και στην επιτάχυνση της ανάπτυξης νέων φαρμάκων,
μεταξύ άλλων για την Covid-19.
Source:
DeepMind
Σε
ένα σχετικό διαγωνισμό, το «έξυπνο» σύστημα AlphaFold νίκησε, καθώς μπόρεσε
γρήγορα να προβλέψει σωστά τουλάχιστον τα δύο τρίτα της δομής των πρωτεϊνών, με
βάση μόνο την αρχική αλληλουχία (αλυσίδα) των αμινοξέων τους, κάτι που για να
το πετύχουν οι άνθρωποι, χρειάζονται δαπανηρές και χρονοβόρες διαδικασίες στο
εργαστήριο. Μέσα σε λίγες μέρες, ο αλγόριθμος έκανε δουλειά που οι επιστήμονες
θέλουν χρόνια στο εργαστήριο τους.
Two examples of
protein targets in the free modelling category. AlphaFold predicts highly
accurate structures measured against experimental result. Credit: DeepMind
«Έμεινα πραγματικά έκθαμβος, όταν το είδα. Δεν περίμενα ποτέ να το δω όσο ζούσα», δήλωσε ο δομικός βιολόγος δρ Τζον Μουλτ του Πανεπιστημίου του Μέριλαντ, ένας από τους διοργανωτές του διεθνούς επιστημονικού διαγωνισμού CASP (Critical Assessment of protein Structure Prediction), που ξεκίνησε το 2004 και γίνεται ανά διετία.
Join DeepMind
Science Engineer Kathryn Tunyasuvunakool to explore the hidden world of
proteins. These tiny molecular machines underpin every biological process in
every living thing and each one has a unique 3D shape that determines how it
works and what it does. But figuring out the exact structure of a protein is an
expensive and often time-consuming process, meaning we only know the exact 3D
structure of a tiny fraction of the 200m proteins known to science. Being able
to accurately predict the shape of proteins could accelerate research in every
field of biology. That could lead to important breakthroughs like finding new
medicines or finding proteins and enzymes that break down industrial and
plastic waste or efficiently capture carbon from the atmosphere. Join Kathryn as she explains what protein
folding is, why it's important and how our Artificial Intelligence system
AlphaFold offers a solution to this grand scientific challenge. Credit:
DeepMind
Οι
δεκάδες χιλιάδες διαφορετικές πρωτεΐνες παίζουν ζωτικό ρόλο στην υγεία και στις
ασθένειες του σώματος, καθώς τα κύτταρα φτιάχνονται από πρωτεΐνες, το πολύπλοκο
σχήμα των οποίων παίζει σημαντικό ρόλο. Για παράδειγμα, ο κορονοϊός που
προκαλεί τη νόσο Covid-19, εισδύει στα ανθρώπινα κύτταρα, επειδή μια
προεξέχουσα πρωτεΐνη-ακίδα που διαθέτει, ταιριάζει δομικά -όπως το κλειδί σε
μια κλειδαριά- με μια πρωτεΐνη-υποδοχέα στα κύτταρα μας.
Tο
σχήμα κάθε πρωτεΐνης καθορίζεται από την αλληλουχία 20 διαφορετικών αμινοξέων,
που σχηματίζουν αλυσίδες για να φτιάξουν τις πρωτεΐνες (για τη σχετική
ανακάλυψη δόθηκε το 1972 το Νόμπελ στον Κρίστιαν Άνφινσεν). Είναι εύκολο για
τους βιολόγους να «διαβάσουν» αυτή την αλληλουχία, καθώς καθορίζεται από το DNA
που την κωδικοποιεί, αλλά σχεδόν αδύνατο -παρά τις προσπάθειες μισού αιώνα
περίπου- να προβλεφθεί το σχήμα μιας πρωτεΐνης με βάση τα δεκάδες ή εκατοντάδες
αμινοξέα της.
The inside story of
the DeepMind team of scientists and engineers who created AlphaFold, an AI
system that is recognised as a solution to "protein folding", a grand
scientific challenge for more than 50 years. Credit: DeepMind
Μέχρι
σήμερα οι επιστήμονες καταφεύγουν σε πειραματικές τεχνικές, όπως η
κρυσταλλογραφία ακτίνων-Χ, η μικροσκοπία κρυο-ηλεκτρονίων και η φασματοσκοπία
MMR, που όμως είναι πάρα πολύ δύσκολες, καθώς χρειάζονται μήνες ή χρόνια και
δεν δουλεύουν πάντα σωστά. Όμως το νέο σύστημα βαθιάς μάθησης AlphaFold, που
άρχισε να δοκιμάζεται το 2018 και έκτοτε βελτιώθηκε σημαντικά, μπορεί πλέον να
συσχετίσει κάθε αλληλουχία αμινοξέων με μια διαφορετική πρωτεϊνική δομή. Πάντως
έχει ακόμη περιθώρια βελτίωσης, καθώς π.χ. δεν τα πάει τόσο καλά με τις
πρωτεΐνες των οποίων η δομή επηρεάζεται από αλληλεπιδράσεις με άλλες πρωτεΐνες.
Όπως
δήλωσε ο εξελικτικός βιολόγος Αντρέι Λούπας του γερμανικού Ινστιτούτου
Αναπτυξιακής Βιολογίας Μαξ Πλανκ, τα επόμενα λίγα χρόνια οι ερευνητές θα
συνεχίσουν να «τσεκάρουν» οι ίδιοι την ακρίβεια των προβλέψεων του AlphaFold,
αλλά μετά θα εξαρτιούνται αποκλειστικά από τους υπολογισμούς της τεχνητής
νοημοσύνης. Όπως είπε, η πραγματική επανάσταση θα συμβεί, όταν πλέον οι
επιστήμονες θα μπορούν να χρησιμοποιούν μόνο τους υπολογιστές για να προβλέπουν
πώς οι πρωτεΐνες αλληλεπιδρούν με άλλα μόρια. «Αυτό θα αλλάξει τελείως το
πρόσωπο της ιατρικής», εκτίμησε.
Ήδη,
για παράδειγμα, ο αλγόριθμος AlphaFold προέβλεψε σωστά τα σχήματα αρκετών
πρωτεϊνών του κορονοϊού SARS-CoV-2. Στο μέλλον θα έχει πιθανώς την ικανότητα να
προβλέπει ποια από τα χιλιάδες υπάρχοντα φάρμακα προσδένονται σωστά σε αυτές
τις πρωτεΐνες, άρα μπορεί να έχουν θεραπευτική δράση, χωρίς να χρειάζεται οι
επιστήμονες να κάνουν πανάκριβα και πολύπλοκα πειράματα όπως τώρα.
Demis Hassabis,
DeepMind’s chief executive, says that the company is learning what biologists
want from AlphaFold. Credit: OLI SCARFF/AFP/Getty
Προς
το παρόν, σύμφωνα με το "New Scientist", το BBC και το "Science", οι δημιουργοί του AlphaFold δεν
έχουν αποκαλύψει πολλές λεπτομέρειες για το σύστημα τους, αλλά δήλωσαν ότι
σύντομα θα κάνουν σχετική επιστημονική δημοσίευση. Η DeepMind δεν έχει ακόμη
διευκρινίσει με ποιο τρόπο οι επιστήμονες σε όλο τον κόσμο θα μπορούν να
αξιοποιήσουν το νέο σύστημα, αλλά υποσχέθηκε να διασφαλίσει ευρεία πρόσβαση.
Πηγές: deepmind.com/blog/article/alph
… challenge-in-biology - https://www.nature.com/articles/d41586-020-03348-4 - https://www.amna.gr/home/article/510180/Luthike-me-ti-boitheia-tis-technitis-noimosunis-ena-mustirio-tis-biologias-schetika-me-ti-domi-ton-proteinon
