A vírus ellen is bevetik a fehérjéket megfejtő mesterséges intelligenciát
További Tech-Tudomány cikkek
- Nem jól tudtuk, mennyi szén-dioxidot nyelnek el a tengerek
- Még a babáknál is gyorsabban tanulnak szavakat a macskák
- A műanyagoknál is pusztítóbbak lehetnek az őket váltó bioanyagok
- Az ízlelőbimbó nem minden: kiderült, hogy valójában mitől érzünk finomnak egy ételt
- Először szült utódokat klónozott állat
A fehérje az élet alapja és aminosavakból áll. A 22 fehérjét alkotó aminosav legókockákként különböző sorrendben állnak össze és alkotnak bonyolult gombolyagokat, amelyek különleges tulajdonságokkal rendelkeznek, például enzimként kémiai műveleteket végeznek, lebontanak vagy fotoszintetizálnak, és mindent működtetnek a vírusoktól az idegrendszerig.
Az élet egyik titka tehát a fehérjék emberi szemnek gubancos, de amúgy nagyon is célszerű struktúrájában rejlik. Ezek megfejtése azonban, a fehérjehajtogatás-probléma volt az a mágikus elem, ami a biológia tudományán kifogott az elmúlt fél évszázadban.
Észbontás
Ezt a problémát oldja meg forradalmi módon a DeepMind, amely 2014 óta a Google mesterséges intelligencia cégeként ismert. Legújabb, AlphaFold nevű fejlesztésük fő működése a fehérjék struktúrájának felfedezése.
Cyrus Levinthal 1969-es számításai szerint egy több száz aminosavból álló fehérje szerkezetének tíz a háromszázadikon (10^300) konfigurációja lehetséges, az összeset kiszámolni több időbe telne, mint amilyen idős az univerzum.
A problémát modern eszközökkel, nukleáris mágneses rezonanciával, röntgenkrisztallográfiával, folyékony nitrogénben lehűtve kriogén elektronmikroszkóppal sikerült megoldani, de ezek így is hosszadalmas és – nevük furcsaságából kikövetkeztethetően – drága eljárások.
Mindenkinél közelebb jut
John Moult és Krzysztof Fidelis professzorok 1994-ben indították el a CASP nevű kísérletet. A CASP név a fehérjestruktúrák előrejelzésének kritikus értékelését takarja, lényegében arról szól, hogy a szakterület művelői kétévente összehasonlítják fehérjestruktúra-elemző módszereiket.
A CASP-teszt eredménye globális távolság, vagy GDT. Ennek alapja egy fizikailag is megismert fehérjestruktúra, amelyet összevetnek az elméleti modell eredményével. A GDT-skála nullától százig tart, a száz a teljes egyezést jelenti, vagyis azt, hogy a modell által jósolt struktúra megegyezik a valóságban is található szerkezettel. Moult professzor szerint 90 GDT tekinthető elfogadható és versenyképes eredménynek.
Az AlphaFold 2 ezen a teszten nagyon jól szerepelt. Míg a korábbi években 40 GDT-s eredmények születtek, a mesterséges intelligencia átlagosan 92,4 GDT-t hajtogatott és a legnehezebb feladványokon is kiemelkedő, 87 GDT-s eredményt ért el.
Ez a számítástechnikai eredmény hatalmas előrelépést jelent a fehérjehajtogatás-problémában, ami 50 éve a legnagyobb kihívás a biológiában. Évtizedekkel megelőzte a korábbi jóslatokat. Izgalmas lesz látni, milyen alapvető változásokat okoz majd a biológiai kutatásban
– mutatott rá Venki Ramakrishnan professzor, a Royal Society Nobel-díjas elnöke.
A közösség is fejleszti
Az MI korai változata a 2018-as megmérettetésen vett részt először, és már akkor is lelépett minden korábbi indulót. A működését bemutató Nature-ben megjelent cikket követően a kutatói közösségben elkezdődött az AlphaFold nyílt forráskódú változatainak fejlesztése is.
Az AlphaFold megdöbbentően pontos modelljei lehetővé tették, hogy megismerjük egy olyan fehérje szerkezetét, amivel egy évtizede elakadtunk. Most újraindíthatjuk a kutatásunkat, ami a sejtmembránokon történő jelátvitelt próbálja megérteni.
– magyarázta Andrej Lupas professzor, a Max Planck Fejlődésbiológiai Intézet igazgatója.
Ez csak az egyik példa arra, hogy a mesterséges intelligenciák megjelenése milyen tudományos áttörésekhez vezethet.
Az AlphaGo-csapat az év eleje óta a SARS-CoV-2-vírus eddig ismeretlen fehérjestruktúráinak felderítésével igyekezik segíteni a járvány elleni globális küzdelmet.