Rewolucja w przewidywaniu struktury białek, czyli jak sztuczna inteligencja zmienia reguły gry

Od lat fascynuję się tajemnicą fałdowania białek – procesu, w którym łańcuch aminokwasowy przybiera trójwymiarową formę, co decyduje o jego funkcji. Tradycyjne metody badawcze, takie jak krystalografia rentgenowska czy mikroskopia krioelektronowa, wymagają dużo czasu i ogromnych środków finansowych. Stworzony przez Google DeepMind system AlphaFold zrewolucjonizował badania nad strukturą białek.

Sztuczna inteligencja zaczyna odgrywać istotną rolę w naukach przyrodniczych

AlphaFold analizuje sekwencje aminokwasowe białka oraz dane ewolucyjne. Model wyszukuje pokrewne sekwencje w bazach danych, takich jak np. UniProt. Dzięki temu możliwe jest rozpoznanie homologicznych sekwencji i wykorzystanie tych informacji do przewidywania struktury przestrzennej białka. Głównym elementem jest analiza wielu sekwencji (MSA), która pozwala na rozpoznanie zachowanych wzorców strukturalnych. Następnie moduł Evoformer przetwarza te dane, co umożliwia przewidywanie oddziaływań między aminokwasami i budowę modelu przestrzennego białka. W wersji AlphaFold 3 wprowadzono także sieci dyfuzyjne, które zaczynają od losowego rozmieszczenia atomów, a potem kształtują stabilną strukturę z uwzględnieniem interakcji z innymi biomolekułami. Ostatnim etapem jest walidacja modelu przy użyciu wskaźników, takich jak pLDDT, który ocenia dokładność predykcji w obrębie lokalnych struktur, oraz pTM-score, który informuje o poprawności globalnej organizacji przestrzennej białka, uwzględniając wzajemne położenie jego domen i elementów strukturalnych.

AI w służbie poprawy trafności predykcji

Jedną z odmian systemu jest AlphaFold Multimer, stworzony z myślą o przewidywaniu struktur kompleksów białkowych. Model analizuje zależności między białkami oraz przewiduje interakcje na poziomie aminokwasowym. Wprowadzono w nim wskaźnik ipTM-score, który dokładniej ocenia jakość interakcji między białkami. Przyszłość AlphaFold Multimer wiąże się z integracją rozwiązań z AlphaFold 3, co z kolei może wpłynąć na poprawę trafności predykcji. W dłuższej perspektywie AlphaFold Multimer może stanowić część szerszego ekosystemu AI, który pozwoli na przewidywanie zachowania pełnych systemów biologicznych i przybliży nas do stworzenia wirtualnej komórki.

Kolejnym narzędziem jest MassiveFold, czyli platforma rozwinięta na bazie AlphaFold, przeznaczona do modelowania złożonych struktur białkowych, w tym wielobiałkowych kompleksów oraz interakcji białko-ligand. MasiveFold zdecydowanie częściej niż AlphaFold, interpretuje te interakcje w poprawny sposób. Zespół rozwijający MassiveFold zaproponował także dodatkowy wskaźnik oceny — interface pLDDT (I-pLDDT), służący do oceny jakości obszarów interakcji między białkami.

RoseTTAFold, stworzony przez Instytut Projektowania Białek na Uniwersytecie Waszyngtońskim, opiera się na głębokiej sieci neuronowej, która jednocześnie analizuje sekwencje aminokwasowe, oddziaływania między nimi oraz strukturę przestrzenną. Dzięki temu RoseTTAFold potrafi odtworzyć kształt białek oraz umożliwia projektowanie nowych struktur, co i w tym ma przewagę nad innymi narzędziami, takimi jak AlphaFold.

Nie tylko Google i DeepMind. Oto modele językowe białek od Meta AI

ESMFold, opracowany przez Meta AI, wykorzystuje modele językowe białek (pLMs), które są trenowane na miliardach sekwencji, co pozwala im wykrywać zależności między aminokwasami. Najważniejszą zaletą ESMFold jest możliwość natychmiastowego wygenerowania struktury białka, co z kolei znacznie skraca czas analizy. Przyszłe prace nad ESMFold skupią się na połączeniu metod sztucznej inteligencji z fizykochemicznymi modelami białek oraz na lepszym modelowaniu kompleksów białkowych, obecnie realizowanym przez AlphaFold Multimer.

Warto również wspomnieć o FragFold, czyli narzędziu opracowanym przez naukowców z Wydziału Biologii MIT. Dzięki połączeniu technologii AlphaFold z nowymi algorytmami predykcji, FragFold umożliwia przewidywanie, w jaki sposób krótkie fragmenty białek lub peptydy oddziałują z większymi białkami docelowymi.

Jestem przekonana, że w niedalekiej przyszłości rozwój sztucznej inteligencji przyniesie jeszcze dokładniejsze metody przewidywania struktur białkowych oraz ich funkcji. Narzędzia oparte na AI nie tylko rozwiązują złożone problemy biologii, ale także otwierają nowe możliwości, które jeszcze niedawno wydawały się nieosiągalne.