Artificiell Intelligens

Deepmind AIs stora framsteg inom proteinveckning

Klara Wagenius

Googles filialverksamhet DeepMind har nyligen gjort ett stort framsteg inom det stora biologiska mysteriet: att förutspå proteinveckning från dess aminosyrafrekvens. DeepMinds program “AlphaFold” utklassade hundra andra lag i en två år lång proteinstruktur-förutspående tävling. Tävlingen “Critical Assessment of structure Prediction”, kortfattat CASP, gav ut resultaten i slutet av november förra året.

Bildkälla: Mobihealthnews.com

Proteiner är uppbyggda av aminosyror som sätts ihop till långa kedjor. Dessa kedjor veckas sedan ihop till “nystan”, proteiner. Denna process ger varje protein en bestämd form. Även om detta låter väldigt enkelt, är det ett ytterst komplicerat skeende som har förvirrat forskare ända sedan dess upptäckt. 

Anledningen till varför denna utvecklingen inom AI är så stor är för att proteiner och dess utseende ansvarar för mestadelen av vad som pågår i cellen. Hur ett protein ser ut utgör dess användningsområden och förmågor. Att kunna förutspå dessa ger oändliga möjligheter inom mikrobiologi, medicin och bioteknik. Dessutom hoppas forskare att kunna använda den djupare förståelsen för protein-utvecklingen för att få större insikt i vad som händer när proteiner bildar felaktiga strukturer. Felaktiga proteinstrukturer kan orsaka aggregationer (hopklumpningar) som i sin tur leder till en mängd olika sjukdomar, som till exempel BSE, ALS och Alzheimers.  

Försöken i att klura ut det här problemet började redan på 1980-talet, men dessa gav sviktande resultat. Istället har forskare fått pröva sig fram med experiment. De första kompletta proteinstrukturerna togs fram via röntgenstrålar. Dessa läts skjutas på kristalliserade proteiner och det diffrakterade ljuset översattes sedan till proteinets atomkoordinater. 

Den första varianten av DeepMinds AI använde sig av en metod som kallas “djupinlärning”. Denna tillämpades på strukturella och genetiska data för att förutsäga avståndet mellan ett par aminosyror i ett protein. Sedan användes denna information för att komma fram till hur proteinet borde se ut. Tyvärr misslyckades denna idéen och den AI som används idag utvecklades i dess ställe. AI:n använde den gamla tekniken men integrerade även ny information om de fysiska och geometriska begränsningar som bestämmer ett proteins utseende. Ytterligare en utveckling gjordes, nämligen att istället för att förutsäga ett par aminosyrors utseende förutspår de den färdiga strukturen på proteinsekvensen. 

Demis Hassabis är medgrundare och verkställande direktör för DeepMind. Han menar att det är deras mål att AlphaFold ska kunna nyttjas av forskare världen över. Information om programmets första variation har tidigare publicerats för att andra forskare ska kunna återskapa det. 

Tidigt förra året släppte företaget förutsägelser för strukturer för ett antal SARS-CoV-2-proteiner som ännu inte hade hade bestämts via experiment. Det visade sig senare att DeepMinds strukturer var förvånansvärt lika den proteinstruktur som bestämdes med experiment tekniken cryo-EM. Även om tekniken inte är hundraprocentigt säker är detta ett tydligt exempel på att utvecklingen går i rätt riktning. 

AlphaFolds kommer nog inte att förbipassera de tekniker som används idag inom den närmaste framtiden. Men med ytterligare utveckling kan AI:n ge betydligt enklare data, med lägre kvalité, en fullständig proteinstruktur. Denna förenklingen inom forskning ger möjligheten att svara på ett flertal “omöjliga” frågor och förhoppningsvis ger det underlaget för att ställa ännu fler.