Обзор автоматизированного рабочего процесса прогнозирования Cryo2Struct. Источник: Nature Communications (2024). DOI: 10.1038/s41467-024-49647-6
Исследователь из Университета Миссури создал компьютерную программу, которая может раскрыть тайны того, как белки работают вместе, что дает ученым ценную информацию для более эффективной профилактики, диагностики и лечения рака и других заболеваний.
Цзяньлинь «Джек» Ченг из Инженерного колледжа Миццоу и его студент Набин Гири разработали инструмент под названием Cryo2Struct, который использует искусственный интеллект (ИИ) для построения трехмерной атомной структуры крупных белковых комплексов. Работа недавно опубликована в Nature Communications. Модель использует данные из фотографий замороженных молекул, полученных с помощью мощных микроскопов, или изображений криоэлектронной микроскопии (крио-ЭМ).
«Крио-ЭМ в настоящее время является революционной, ключевой технологией для определения крупных белковых структур и агрегатов в клетках», — сказал Ченг, почетный профессор электротехники и компьютерных наук.
«Но построение структур белков из данных крио-ЭМ — трудоемкий процесс, требующий большого человеческого вмешательства, что делает его трудоемким и сложным для воспроизведения. Наша технология полностью автоматизирована и генерирует более точные структуры, чем существующие методы».
Прогнозирование белков
Чтобы понять значимость этой работы, вам нужно немного узнать о белках и о многолетней борьбе за их понимание.
Белки — это строительные блоки жизни. Они начинаются как цепочки аминокислот, которые складываются в трехмерные формы. Эти формы определяют, как будет функционировать белок.
Более 50 лет этот процесс сворачивания озадачивал исследователей.
Чэн был одним из первых, кто применил глубокое обучение, тип ИИ, к этой проблеме. В 2012 году он продемонстрировал модель на основе ИИ, которая доказала, что глубокое обучение может предсказывать структуры белков. Эта работа проложила путь к новаторским достижениям, включая AlphaFold от Google, который теперь считается самым точным инструментом в мире для предсказания структур белков.
Но предсказание структуры одного белка — это только половина проблемы. В реальном мире белки работают вместе как молекулярные машины, которые выполняют сложные биологические функции. Понимание взаимодействия белков имеет решающее значение, поскольку оно определяет, как развиваются заболевания, и помогает ученым выяснить, как лучше всего их лечить.
Взлом кода
Cheng's Cryo2Struct действует немного как детектив, расследующий дело без каких-либо зацепок.
Система анализирует крио-ЭМ изображения и идентифицирует отдельные атомы и их положения в белковом комплексе, даже если нет никаких предварительных знаний о структуре. Затем система может собрать эти атомы в полную 3D-модель белковых комплексов, предоставляя понимание того, как функционируют белки.
«Наша технология позволяет ученым определять и строить структуру из данных крио-ЭМ», — сказал Ченг. «Как только у вас есть эта структура и вы понимаете ее функции, вы можете разрабатывать лекарства для противодействия любым неисправным функциям белкового комплекса, чтобы заставить его функционировать должным образом».
В связанной статье, опубликованной в Communications Chemistry, Ченг и его студент Алекс Морхед исследовали другой метод ИИ, называемый диффузионной моделью, моделируя, как молекулярные структуры развиваются из случайного шума в четко определенные формы. Эти методы могут помочь ученым генерировать и оптимизировать малые молекулы, включая лекарства, и определять, как и где эти лекарства связываются с белками.
«Например, у меня есть лекарство, и я хочу, чтобы оно работало лучше для некоторых пациентов», — сказал Ченг. «Теперь я могу использовать ИИ, чтобы изменить его и оптимизировать».
Междисциплинарные ресурсы Mizzou помогли сделать прорыв возможным. Ченг — исследователь в NextGen Precision Health, где у него есть доступ к крио-ЭМ и электронной микроскопии высокого разрешения.
«Возможности в Mizzou сотрудничать с другими исследователями и использовать самое современное оборудование не имеют себе равных», — сказал он. «В NextGen мы все работаем над продвижением высокоиндивидуализированной медицинской помощи, и такие технологии, как Cryo2Struct, помогут сделать это возможным».
Дополнительная информация: Набин Гири и др., Моделирование структуры атомарного белка de novo для карт плотности криоЭМ с использованием 3D-трансформатора и HMM, Nature Communications (2024). DOI: 10.1038/s41467-024-49647-6
Алекс Морхед и др., Геометрически полная диффузия для генерации и оптимизации трехмерных молекул, Communications Chemistry (2024). DOI: 10.1038/s42004-024-01233-z
Информация о журнале: Communications Chemistry, Nature Communications
Предоставлено Университетом Миссури
