Η επανάσταση στη μηχανική πρωτεϊνών με AI
Η μηχανική πρωτεϊνών είναι ένας τομέας που έχει καταστεί ιδανικός για την έρευνα στην τεχνητή νοημοσύνη. Κάθε πρωτεΐνη αποτελείται από αμινοξέα, και οι επιστήμονες προσπαθούν να την βελτιστοποιήσουν αλλάζοντας κάποιες από τις 20 διαθέσιμες επιλογές αμινοξέων. Για μια πρωτεΐνη που έχει μήκος μόλις 50 αμινοξέα, οι πιθανοί συνδυασμοί φτάνουν το 1.13×10^65, ή αλλιώς 113 με 65 μηδενικά. Ένας αριθμός που υπερβαίνει κατά πολύ την ικανότητα να δοκιμαστεί σε εργαστηριακές συνθήκες.
Η πρόκληση της εκπαίδευσης με AI
Αυτός ο τεράστιος αριθμός πιθανών συνδυασμών καθιστά την μηχανική πρωτεϊνών μια ιδανική πρόκληση για την τεχνητή νοημοσύνη. Ωστόσο, η ποιότητα των αποτελεσμάτων εξαρτάται άμεσα από τα δεδομένα που χρησιμοποιούνται για την εκπαίδευση των μοντέλων. Σε πολλές περιπτώσεις, τα κατάλληλα δεδομένα έλειπαν, προκαλώντας έναν από τους μεγαλύτερους περιορισμούς στην AI.
Μια καινοτόμα προσέγγιση
Ο καθηγητής Χαν Σιαό, από το Πανεπιστήμιο Ράις και διευθυντής του SynthX Center, επισήμανε ότι η δημιουργία αρκετών πειραματικών δεδομένων ήταν το κλειδί για να εκπαιδευτούν τα AI μοντέλα. Σε συνεργασία με το Πανεπιστήμιο Johns Hopkins και τη Microsoft, η ομάδα του ανέπτυξε μια προσέγγιση που παρείχε τα απαραίτητα δεδομένα και δημιούργησε ακριβή μοντέλα σε μόλις τρεις ημέρες.
Το Σύστημα Sequence Display
Αυτή η νέα μέθοδος, που ονομάζεται Sequence Display, είναι ικανή να παράγει πάνω από 10 εκατομμύρια δεδομένα σε έναν μόνο πειραματισμό. Αυτά τα δεδομένα τροφοδοτούν τα AI μοντέλα, που στη συνέχεια προβλέπουν ποιες αλλαγές στα αμινοξέα θα φέρουν την επιθυμητή βελτίωση στη λειτουργία ή δραστηριότητα των πρωτεϊνών.
Επιτυχία με CRISPR-Cas
Για να αποδείξουν την ικανότητα της μεθόδου, οι ερευνητές εξέτασαν μια μικρή πρωτεΐνη CRISPR-Cas, που είναι γνωστή για το μέγεθός της αλλά περιορισμένης δραστηριότητας. Στόχος τους ήταν να εντοπίσουν μια εκδοχή που θα μπορούσε να στοχεύσει σε ευρύτερους τύπους DNA. Δημιούργησαν πολλές παραλλαγές του DNA που κωδικοποιεί την πρωτεΐνη Cas9, προσθέτοντας ταυτόχρονα μια κενή ετικέτα DNA για κάθε παραλλαγή, η οποία επηρεαζόταν από το επίπεδο δραστηριότητας της πρωτεΐνης.
Η σημασία των δεδομένων και των πειραμάτων
Η χρήση αυτού του συστήματος αύξησε τη δυνατότητα ανάλυσης και εύρεσης των πιο ενεργών παραλλαγών. Ο Λίνκι Τσενγκ, μεταπτυχιακός φοιτητής στο Πανεπιστήμιο Ράις, δήλωσε: «Το AI δεν αντικαθιστά το πείραμα εδώ. Αντίθετα, βασίζεται σε αυτό για να μας δώσει τη βάση δεδομένων». Αναφέροντας ότι η διαδικασία επαναλήφθηκε με άλλες πρωτεΐνες, η ομάδα κατάφερε να εκπαιδεύσει AI μοντέλα με αξιοσημείωτη επιτυχία.
Η ενσωμάτωσή τους στην πρωτεϊνική μηχανική
Καταλήγοντας, ο καθηγητής Σιαό τόνισε ότι αυτή η καινοτόμα προσέγγιση αντιπροσωπεύει ένα πρακτικό πλαίσιο για την ενσωμάτωση της AI στην μηχανική πρωτεϊνών. Αντί να βασίζονται στη μηχανική μάθηση ως μια αυτόνομη λύση, τη συνδυάζουν με τα πειραματικά δεδομένα για ισχυρότερα αποτελέσματα.
