Sztuczna inteligencja zmienia sposób, w jaki naukowcy badają białka i projektują ich modyfikacje. Analizując wzorce w sekwencjach i strukturach białek, modele obliczeniowe mogą pomagać badaczom w identyfikowaniu obiecujących wariantów enzymów, analizowaniu sekwencji przeciwciał oraz przewidywaniu, które projekty molekularne warto przetestować w laboratorium.
Podejścia te mogą przyspieszyć badania biotechnologiczne, ale nie eliminują potrzeby walidacji eksperymentalnej. Publikacje naukowe o otwartym dostępie pokazują zarówno potencjał projektowania białek wspomaganego przez sztuczną inteligencję, jak i wyzwania, które nadal pozostają do rozwiązania.
1. Jak sztuczna inteligencja zmienia projektowanie białek
Białka składają się z sekwencji aminokwasów, które fałdują się, tworząc struktury umożliwiające pełnienie określonych funkcji biologicznych. Nawet niewielkie zmiany w sekwencji mogą wpływać na stabilność białka, jego aktywność lub zdolność wiązania się z inną cząsteczką.
Modele sztucznej inteligencji mogą uczyć się wzorców na podstawie istniejących sekwencji białkowych, baz danych struktur oraz wyników pomiarów eksperymentalnych. W zależności od zastosowanej metody mogą przewidywać struktury białek, szacować ich właściwości funkcjonalne lub generować sekwencje kandydackie o pożądanych cechach.
Zamiast testować każdą możliwą sekwencję, naukowcy mogą wykorzystywać te przewidywania do wyboru kandydatów, którzy w pierwszej kolejności zostaną poddani dalszym badaniom. Podejście to jest szczególnie cenne, ponieważ liczba możliwych sekwencji białkowych jest ogromna.
Przeczytaj przegląd naukowy o otwartym dostępie: Protein design via deep learning.
2. Enzymy projektowane przez sztuczną inteligencję: zwiększanie aktywności katalitycznej i stabilności
Inżynieria enzymatyczna ma na celu modyfikowanie enzymów tak, aby działały wydajniej w określonych warunkach. Naukowcy mogą dążyć do zwiększenia aktywności katalitycznej, poprawy stabilności termicznej, zmiany swoistości substratowej lub umożliwienia enzymowi katalizowania użytecznej reakcji. Modele sztucznej inteligencji mogą pomóc w identyfikacji obiecujących zmian w sekwencji aminokwasowej i ocenie kandydatów na podstawie ich potencjału, ograniczając liczbę wariantów wymagających badań eksperymentalnych.
Jednak przewidywanie obiecującej sekwencji nie jest równoznaczne z uzyskaniem funkcjonalnego enzymu. Na aktywność katalityczną wpływają fałdowanie białka, geometria centrum aktywnego, interakcje z substratem oraz dynamika molekularna. Pomiary eksperymentalne pozostają niezbędne do potwierdzenia, czy enzym zaprojektowany przez sztuczną inteligencję działa zgodnie z założeniami.
Rysunek 1: Schemat procesu inżynierii enzymatycznej wspomaganej przez sztuczną inteligencję, przedstawiający wybór wariantów zaprojektowanych obliczeniowo, ich walidację eksperymentalną oraz iteracyjną optymalizację w celu rozszerzenia zakresu substratów enzymu.figure 1 : AI-assisted enzyme engineering workflow showing how computationally designed variants are selected, experimentally validated, and iteratively optimized to expand enzyme substrate scope.
Przeczytaj przegląd naukowy o otwartym dostępie: Applications and limitations of AI tools in enzyme design.
Od generowania sekwencji do testów eksperymentalnych
W badaniu opublikowanym w czasopiśmie Nature Biotechnology oceniono metody obliczeniowe służące do analizy sekwencji enzymów generowanych przez różne modele. Naukowcy przeprowadzili ekspresję i oczyszczanie ponad 500 sekwencji naturalnych i wygenerowanych, należących do dwóch rodzin enzymów. Wyniki pokazały, dlaczego oceny obliczeniowe należy weryfikować na podstawie rzeczywistej aktywności enzymatycznej, zamiast traktować je jako dowód funkcjonalności enzymu.
3. Przeciwciała projektowane przez sztuczną inteligencję: przewidywanie skuteczniejszego wiązania molekularnego
Przeciwciała rozpoznają cele molekularne dzięki interakcjom z udziałem swoich regionów zmiennych. W inżynierii przeciwciał naukowcy dążą do zwiększenia powinowactwa wiązania przy jednoczesnym zachowaniu swoistości, stabilności i innych właściwości niezbędnych w badaniach naukowych lub podczas opracowywania terapii.
Deep learning models can analyze antibody sequences and structures to propose mutations or generate candidate designs. These predictions can guide researchers toward promising variants, but stronger predicted binding does not automatically guarantee better biological activity, safety, or therapeutic performance.
Modele głębokiego uczenia mogą analizować sekwencje i struktury przeciwciał, aby proponować mutacje lub generować potencjalne warianty. Takie przewidywania mogą pomóc naukowcom w identyfikacji obiecujących wariantów, jednak silniejsze przewidywane wiązanie nie gwarantuje automatycznie lepszej aktywności biologicznej, bezpieczeństwa ani skuteczności terapeutycznej.
Przeczytaj przegląd naukowy o otwartym dostępie: Antibody design using deep learning: from sequence and structure design to affinity maturation.
Co wykazały badania eksperymentalne?
W badaniu opublikowanym w czasopiśmie Nature Biotechnology naukowcy wykorzystali ogólne modele językowe białek do ukierunkowania ewolucji siedmiu ludzkich przeciwciał. Po przeprowadzeniu badań przesiewowych stosunkowo niewielkich zbiorów wariantów zaobserwowali zwiększone powinowactwo wiązania w przypadku testowanych przeciwciał. Wyniki pokazują, w jaki sposób sztuczna inteligencja może pomóc w wyborze mutacji do badań eksperymentalnych. Należy jednak pamiętać, że uzyskane rezultaty dotyczą konkretnych przeciwciał i warunków objętych badaniem, a nie wszystkich zadań związanych z projektowaniem przeciwciał.
Przeczytaj artykuł naukowy o otwartym dostępie: Efficient evolution of human antibodies from general protein language models.
4. Dlaczego walidacja eksperymentalna nadal ma kluczowe znaczenie
Białka generowane przez sztuczną inteligencję muszą być oceniane w laboratorium, aby ustalić, czy prawidłowo się fałdują, zachowują stabilność i pełnią zamierzone funkcje. W przypadku enzymów może to obejmować pomiar szybkości reakcji, wydajności katalitycznej i swoistości substratowej. W przypadku przeciwciał naukowcy mogą oceniać powinowactwo wiązania, swoistość, stabilność i aktywność biologiczną.
Proces ten ma zatem charakter iteracyjny: modele obliczeniowe proponują kandydatów, naukowcy poddają ich badaniom, a wyniki eksperymentów mogą służyć do udoskonalania kolejnych etapów projektowania. Połączenie przewidywań z badaniami laboratoryjnymi jest niezbędne do przekształcania koncepcji obliczeniowych w użyteczne cząsteczki biologiczne.
Przeczytaj przegląd naukowy o otwartym dostępie: Machine learning for enzyme engineering, selection and design.
5. Wyzwania i przyszłe możliwości
Pomimo szybkiego postępu projektowanie białek z wykorzystaniem sztucznej inteligencji nadal wiąże się z wieloma wyzwaniami. Modele mogą mieć trudności z przewidywaniem skutków nieznanych mutacji, odróżnianiem funkcjonalnych białek od sekwencji, które jedynie wydają się wiarygodne, a także z pełnym uwzględnieniem złożonych środowisk molekularnych. Jakość danych treningowych oraz ograniczona liczba zbiorów danych eksperymentalnych również mogą wpływać na wiarygodność modeli.
Przyszłe podejścia coraz częściej łączą informacje o sekwencjach, strukturach trójwymiarowych, symulacjach obliczeniowych oraz wynikach eksperymentów. Takie zintegrowane podejście może pomóc naukowcom w projektowaniu białek do bardziej konkretnych zastosowań, a jednocześnie zwiększyć wiarygodność przewidywań obliczeniowych.
Przeczytaj przegląd naukowy o otwartym dostępie: Protein design via deep learning.
Rysunek 3. Głębokie uczenie ze wzmocnieniem w projektowaniu białek wspomaganym przez sztuczną inteligencję
Rysunek porównuje naturalną syntezę białek z generowaniem sekwencji białkowych wspomaganym przez sztuczną inteligencję, ilustrując, w jaki sposób głębokie uczenie ze wzmocnieniem umożliwia stopniowy dobór aminokwasów w celu wygenerowania potencjalnych sekwencji białkowych.
Podsumowanie: Łączenie sztucznej inteligencji z odkrywaniem molekularnym
Sztuczna inteligencja otwiera nowe możliwości w inżynierii enzymatycznej i projektowaniu przeciwciał. Dzięki uczeniu się wzorców występujących w danych biologicznych modele obliczeniowe mogą pomagać naukowcom w analizie sekwencji białkowych, przewidywaniu właściwości molekularnych oraz wyborze najbardziej obiecujących kandydatów do dalszych badań.
Największe możliwości wiążą się z połączeniem przewidywań sztucznej inteligencji z wiedzą biochemiczną, analizą strukturalną i walidacją eksperymentalną. W biotechnologii takie zintegrowane podejście może wspierać opracowywanie udoskonalonych katalizatorów, skuteczniejszych cząsteczek wiążących cele molekularne oraz nowych narzędzi badawczych.
AbE Science zgłębia te osiągnięcia na styku biologii białek, nauk obliczeniowych i biotechnologii, łącząc odkrycia naukowe z metodami, które umożliwiają ich dokonanie.