211service.com
DeepMind säger att det kommer att släppa strukturen av varje protein som är känt för vetenskapen
DeepMind
Tillbaka i december 2020 överraskade DeepMind biologins värld när det löste en 50-årig stor utmaning med AlphaFold , ett AI-verktyg som förutsäger strukturen hos proteiner. Förra veckan publicerade det London-baserade företaget fullständiga detaljer om det verktyget och släppte sin källkod.
Nu har företaget meddelat att det har gjort det använde sin AI för att förutsäga formerna på nästan alla proteiner i människokroppen , såväl som formerna av hundratusentals andra proteiner som finns i 20 av de mest studerade organismerna, inklusive jäst, fruktflugor och möss. Genombrottet kan göra det möjligt för biologer från hela världen att bättre förstå sjukdomar och utveckla nya läkemedel.
Relaterad berättelse
DeepMinds proteinvikande AI har löst en 50 år gammal stor utmaning inom biologi AlphaFold kan förutsäga formen på proteiner inom en atoms bredd. Genombrottet kommer att hjälpa forskare att designa läkemedel och förstå sjukdomar.
Hittills består troven av 350 000 nyligen förutsagda proteinstrukturer. DeepMind säger att det kommer att förutsäga och släppa strukturerna för mer än 100 miljoner mer under de närmaste månaderna - mer eller mindre alla proteiner som är kända för vetenskapen.
Proteinveckning är ett problem som jag har haft ögonen på i mer än 20 år, säger DeepMinds medgrundare och VD Demis Hassabis. Det har varit ett stort projekt för oss. Jag skulle säga att detta är det största vi har gjort hittills. Och det är det mest spännande på ett sätt, eftersom det borde ha störst inverkan i världen utanför AI.
Proteiner är gjorda av långa band av aminosyror, som vrider sig upp till komplicerade knutar. Att känna till formen på ett proteins knut kan avslöja vad det proteinet gör, vilket är avgörande för att förstå hur sjukdomar fungerar och utveckla nya läkemedel - eller identifiera organismer som kan hjälpa till att hantera föroreningar och klimatförändringar. Att ta reda på ett proteins form tar veckor eller månader i labbet. AlphaFold kan förutsäga former till närmaste atom på en dag eller två.
Den nya databasen ska göra livet ännu lättare för biologer. AlphaFold kan vara tillgängligt för forskare att använda, men alla kommer inte att vilja köra programvaran själva. Det är mycket lättare att ta en struktur från databasen än att köra den på din egen dator, säger David Baker från Institute for Protein Design vid University of Washington, vars labb har byggt ett eget verktyg för att förutsäga proteinstruktur, som kallas RoseTTAFold , baserat på AlphaFolds tillvägagångssätt.
Under de senaste månaderna har Bakers team arbetat med biologer som tidigare hade fastnat för att försöka lista ut formen på proteiner som de studerade. Det finns en hel del ganska cool biologisk forskning som verkligen har påskyndats, säger han. En offentlig databas som innehåller hundratusentals färdiga proteinformer borde vara en ännu större accelerator.
Det ser häpnadsväckande imponerande ut, säger Tom Ellis, en syntetisk biolog vid Imperial College London som studerar jästgenomet, som är exalterad över att prova databasen. Men han varnar för att de flesta av de förutsagda formerna ännu inte har verifierats i labbet.
Atomprecision
I den nya versionen av AlphaFold kommer förutsägelser med en konfidenspoäng som verktyget använder för att flagga hur nära det tror att varje förutsagd form är den äkta varan. Med hjälp av detta mått fann DeepMind att AlphaFold förutspådde former för 36 % av mänskliga proteiner med en noggrannhet som är korrekt ner till nivån för enskilda atomer. Det här är tillräckligt bra för läkemedelsutveckling, säger Hassabis.
Tidigare, efter decennier av arbete, har endast 17% av proteinerna i människokroppen fått sina strukturer identifierade i labbet. Om AlphaFolds förutsägelser är så exakta som DeepMind säger, har verktyget mer än fördubblat detta antal på bara några veckor.
Även förutsägelser som inte är helt korrekta på atomnivå är fortfarande användbara. För mer än hälften av proteinerna i människokroppen har AlphaFold förutspått en form som borde vara tillräckligt bra för forskare att ta reda på proteinets funktion. Resten av AlphaFolds nuvarande förutsägelser är antingen felaktiga eller är för den tredje av proteiner i människokroppen som inte har en struktur alls förrän de binder med andra. De är floppiga, säger Hassabis.
Det faktum att det kan appliceras på den här kvalitetsnivån är en imponerande sak, säger Mohammed AlQuraish, systembiolog vid Columbia University som har utvecklat sin egen programvara för att förutsäga proteinstruktur. Han påpekar också att att ha strukturer för de flesta av proteinerna i en organism kommer att göra det möjligt att studera hur dessa proteiner fungerar som ett system, inte bara isolerat. Det är det jag tycker är mest spännande, säger han.
DeepMind släpper sina verktyg och förutsägelser gratis och kommer inte att säga om det har planer på att tjäna pengar på dem i framtiden. Det utesluter dock inte möjligheten. För att sätta upp och driva databasen samarbetar DeepMind med European Molecular Biology Laboratory, en internationell forskningsinstitution som redan är värd för en stor databas med proteininformation.
För nu kan AlQuraishi inte vänta med att se vad forskare gör med de nya uppgifterna. Det är ganska spektakulärt, han säger att jag tror inte att någon av oss trodde att vi skulle vara här så snabbt. Det är häpnadsväckande.