RFD4-Proteina néven új, nyílt fehérjetervező modellt mutatott be az NVIDIA és a Washingtoni Egyetem fehérjetervezéssel foglalkozó kutatóintézete. A generatív mesterséges intelligencia meghatározott összehasonlításban 3,8-szer gyorsabb működést és 84 százalékkal kisebb csúcsmemória-igényt mutatott elődjénél. A fejlesztés kutatási eszköz, nem kész vagy engedélyezett gyógyszer.
Az RFD4-Proteina október 21-én jelent meg az NVIDIA és a UW Medicine Institute for Protein Design együttműködésének eredményeként. A kutatók olyan modellt fejlesztettek, amely egyszerre foglalkozhat a fehérjék aminosavsorrendjével és háromdimenziós szerkezetével. Ez azért fontos, mert egy fehérje működését nemcsak az határozza meg, milyen építőelemekből áll, hanem az is, hogyan rendeződnek el ezek a térben. A fejlesztés célja a lehetséges fehérjeszerkezetek közötti keresés gyorsítása és pontosabb irányítása.
A rendszer jutalomvezérelt keresést használ, vagyis a generálás során különböző értékelő módszerekkel próbálja előnyben részesíteni az ígéretesebb fehérjejelölteket. A modell nem egyszerűen véletlenszerű változatokat állít elő: figyelembe vehet előre megadott szerkezeti és kölcsönhatási feltételeket is. A kutatók például olyan fehérjéket kereshetnek, amelyek meghatározott célmolekulához képesek kapcsolódni. A számítási eredmények azonban csak a lehetséges jelöltek kiválasztását segítik; a tényleges működést laboratóriumi kísérletekkel kell igazolni.
Az NVIDIA technikai összehasonlításában, 200 aminosavas fehérjéknél az RFD4-Proteina 3,8-szer gyorsabb generálást ért el az RFD3 modellhez képest, miközben a csúcsmemória-igény 84 százalékkal csökkent. A fejlesztők a generálási folyamat szükséges lépéseinek számát egy korábbi megközelítés körülbelül négyszáz lépéséről hatvanra mérsékelték. Ezek konkrét számítási tesztkörnyezethez kötött eredmények, ezért nem jelentenek automatikusan négyszer gyorsabb gyógyszerfejlesztést vagy négyszer jobb biológiai működést.
A gyógyszerkutatás következő nagy gyorsulását nem az újabb laboratóriumi berendezések, hanem a mesterséges intelligenciával pontosabban kiválasztott kísérleti jelöltek hozhatják el?
A fehérjetervezés azért különösen összetett feladat, mert már viszonylag rövid aminosavsorrendek esetében is rendkívül sok lehetséges kombináció létezik. Ezeknek csak kis része lehet alkalmas egy meghatározott biológiai célra. A generatív mesterséges intelligencia segítségével a kutatók olyan jelöltekre összpontosíthatnak, amelyek számítási szempontból ígéretes tulajdonságokat mutatnak. Ez például fehérjealapú gyógyszerjelöltek, célmolekulákhoz kapcsolódó fehérjék vagy más biotechnológiai megoldások kutatásánál lehet hasznos.
A számítógépes tervezés eredményeit ugyanakkor szigorúan el kell választani a biológiai bizonyítékoktól. Egy kedvező szerkezeti előrejelzésből nem következik, hogy a fehérje valóban előállítható, stabil marad, megfelelően működik vagy biztonságos lesz az emberi szervezetben. A gyógyszerként történő alkalmazáshoz hosszú laboratóriumi, preklinikai és klinikai vizsgálatsorozat szükséges. Az RFD4-Proteina jelenlegi teljesítményadatai elsősorban a számítási módszer hatékonyságát mutatják, nem gyógyításban igazolt eredményt.
A modell nyílt hozzáférése ugyanakkor felgyorsíthatja a további tudományos munkát, mert több kutatócsoport is kipróbálhatja és saját céljaira alakíthatja a módszert. A fejlesztés valódi jelentősége nem az, hogy a mesterséges intelligencia helyettesítené a laboratóriumokat. Éppen ellenkezőleg: abban segíthet, hogy a rendkívül nagy számú lehetséges fehérje közül hatékonyabban lehessen kiválasztani a valóban vizsgálatra érdemes jelölteket. Ha a számítási és kísérleti kutatás ilyen módon szorosabban összekapcsolódik, hosszabb távon új lehetőségek nyílhatnak a biotechnológiában.
Olvasd el ezt is: Saját első autonóm mesterséges intelligencia laboratóriumát építi a Danaher
Források: UW Medicine, NVIDIA Technical Blog, NVIDIA Newsroom
CS.SZ.
