- Interaksi protein menentukan proses biologis inti seperti pertumbuhan sel dan respons imun, dan AlphaProteo adalah sistem AI pertama Google DeepMind yang bertujuan mengotomatiskan perancangan pengikat baru untuk memanipulasi interaksi tersebut
- Dengan memasukkan struktur protein target dan lokasi pengikatan yang diinginkan, sistem ini menghasilkan kandidat protein berdasarkan pola yang dipelajari dari Protein Data Bank dan lebih dari 100 juta struktur prediksi AlphaFold
- Dalam eksperimen pada 7 protein target, sistem ini menunjukkan tingkat keberhasilan dan afinitas pengikatan yang lebih tinggi dibanding metode terbaik yang ada, dan pada beberapa target hasilnya lebih kuat daripada pengikat teroptimasi yang sudah ada
- Pada BHRF1, 88% kandidat berikatan dalam uji laboratorium, dan ini diperkenalkan sebagai kasus pertama alat AI berhasil merancang protein yang berikatan dengan VEGF-A
- Sistem ini berpotensi besar memangkas waktu eksperimen awal pengikat protein, tetapi karena masih ada target sulit seperti kegagalan pada TNFɑ, validasi tambahan dan peningkatan bioteknologi masih diperlukan sebelum penerapan nyata
Perancangan pengikat protein yang dibidik AlphaProteo
- Proses biologis, dari pertumbuhan sel hingga respons imun, sangat bergantung pada interaksi antarprotein
- Alat prediksi struktur protein seperti AlphaFold telah memperluas pemahaman tentang interaksi protein, tetapi belum dapat membuat protein baru yang secara langsung memanipulasi interaksi tersebut
- AlphaProteo adalah sistem AI Google DeepMind yang merancang pengikat protein baru yang berikatan kuat dengan molekul target
- Pengikat semacam ini dapat dimanfaatkan di berbagai bidang riset
- Pengembangan obat baru
- Pencitraan sel dan jaringan
- Pemahaman dan diagnosis penyakit
- Ketahanan tanaman terhadap hama
Data pelatihan dan cara generasi
- AlphaProteo dilatih menggunakan data protein dalam jumlah besar dari Protein Data Bank serta lebih dari 100 juta struktur yang diprediksi AlphaFold
- Masukannya adalah struktur molekul target dan sekumpulan lokasi pengikatan yang disukai di atasnya
- Keluarannya adalah kandidat protein yang dirancang untuk berikatan pada lokasi yang ditentukan
- Perancangan pengikat protein yang kuat dengan metode yang ada membutuhkan waktu lama, serta memerlukan beberapa putaran pekerjaan laboratorium dan optimasi afinitas pengikatan
Hasil eksperimen pada 7 protein target
- AlphaProteo merancang pengikat untuk beragam protein target yang terkait dengan infeksi, kanker, inflamasi, dan penyakit autoimun
- Kandidat protein yang dihasilkan secara in silico untuk 7 target berikatan kuat dengan protein yang dimaksud dalam pengujian eksperimen
- Berdasarkan keseluruhan pengujian, sistem ini memiliki tingkat keberhasilan eksperimen yang lebih tinggi daripada metode desain terbaik yang ada, dan afinitas pengikatannya meningkat 3 hingga 300 kali
- Pada BHRF1, 88% molekul kandidat berhasil berikatan dalam pengujian Google DeepMind Wet Lab
- Berdasarkan target yang diuji, pengikat AlphaProteo rata-rata berikatan 10 kali lebih kuat dibanding metode desain terbaik yang ada
- Pada target TrkA, pengikat AlphaProteo lebih kuat daripada pengikat rancangan yang sudah ada yang telah melalui beberapa putaran optimasi eksperimen
- Ini adalah pertama kalinya alat AI merancang protein yang berhasil berikatan dengan VEGF-A
Validasi eksternal dan fungsi biologis
- Selain validasi in silico dan pengujian wet lab internal, Google DeepMind memvalidasi pengikat bersama kelompok riset di Francis Crick Institute
- Validasi ini melibatkan kelompok riset Peter Cherepanov, Katie Bentley, dan David LV Bauer
- Mereka menguji lebih mendalam sebagian kandidat kuat dari pengikat SC2RBD dan VEGF-A
- Interaksi pengikatan dikonfirmasi mirip dengan prediksi AlphaProteo
- Sebagian pengikat SC2RBD terbukti mencegah SARS-CoV-2 dan beberapa variannya menginfeksi sel
Kegagalan TNFɑ dan tantangan yang tersisa
- AlphaProteo tidak berhasil merancang pengikat yang sukses untuk target kedelapan, TNFɑ
- TNFɑ adalah protein yang terkait dengan penyakit autoimun seperti artritis reumatoid
- Berdasarkan analisis komputasional, TNFɑ dinilai sebagai target yang sangat sulit untuk perancangan pengikat, dan dipilih untuk menguji AlphaProteo secara ketat
- Mencapai pengikatan yang kuat sering kali menjadi langkah pertama dalam proses merancang protein yang berguna untuk aplikasi praktis
- Dalam proses riset dan pengembangan, masih ada hambatan bioteknologi yang perlu diatasi
Pengembangan yang bertanggung jawab dan pemanfaatan ke depan
- Perancangan protein memiliki potensi di berbagai bidang sains, mulai dari memahami penyebab penyakit, mempercepat pengembangan tes diagnostik saat wabah virus, mendukung proses manufaktur berkelanjutan, hingga membersihkan polutan lingkungan
- Google DeepMind mempertimbangkan risiko biosekuriti dengan bekerja sama dengan pakar eksternal dan menyiapkan pendekatan berbagi secara bertahap
- Pekerjaan terkait juga terhubung dengan upaya pengembangan praktik terbaik komunitas, termasuk AI Bio Forum baru dari NTI
- Ke depan, Google DeepMind berencana bekerja bersama komunitas ilmiah untuk memanfaatkan AlphaProteo pada persoalan biologis penting dan memahami batasannya
- Isomorphic Labs juga sedang mengeksplorasi aplikasi AlphaProteo dalam perancangan obat baru
- Google DeepMind ingin meningkatkan tingkat keberhasilan dan afinitas algoritme AlphaProteo, memperluas cakupan masalah desain yang dapat ditangani, serta mengembangkan alat perancangan protein yang lebih komprehensif bersama para peneliti machine learning, biologi struktural, dan biokimia
Belum ada komentar.