AI工具转向创建用于个性化癌症疗法和抗生素的设计师蛋白

就在几年前，预测一串氨基酸如何组装成功能性蛋白质是生物学最强大的难题之一。直到人工智能（AI）破解了这个问题，赢得了全球好评和即使去年的诺贝尔化学奖。

这一突破依赖于深度学习，这种形式的AI形式从大量数据集中学习以做出预测，例如蛋白质的形状。现在，研究人员正在以生成AI的势头为基础。一个强大的新类AI模型，而不仅仅是预测结构，而是可以想象从未知蛋白序列到各种疾病的新型治疗方法。

大多数蛋白质设计工作从目标的完美，实验确定的3D图开始。”蒂莫西·詹金斯（Timothy Jenkins）丹麦技术大学。但是，对于许多最重要的[治疗]目标 - 这些地图根本不存在。这是个性化医学的主要障碍。

詹金斯（Jenkins）和他的合作者最近发表了一项研究，他们使用了一种称为rfdiffusion的生成AI模型设计有助于免疫系统识别和攻击癌症的分子。¹简而言之，我们创建了一条新的超快速管道，用于制造精确的癌症免疫疗法。

有针对性疗法的游戏规则改变者

该过程就像高速装配线一样工作，具有不同的AI工具来处理不同的步骤。jenkins解释说：'首先，我们显示了rfdiffusion的3D图片。这张3D图片可能来自实验数据或基于AI的结构预测。他补充说，AI梦见了数千种全新的小蛋白质形状。

第二个AI模型采用这些形状，并算出构建它们所需的确切氨基酸序列。詹金斯说，这个过程非常快。•在计算机上产生数千种潜在的设计需要数小时或几天，而仅找到一个使用传统实验室方法的候选人可能需要数月甚至数年的时间。”

然后将分子动力学模拟用作虚拟崩溃测试，以了解设计蛋白的粘贴量如何，从而帮助团队在进行实验室实验之前缩小了候选人的范围。

詹金斯说：``我们能够基于纯计算预测创建成功的活页夹是一个改变游戏规则的人。”``它表明我们的方法不仅限于少量的特征良好的目标，因此可以扩展到设计真正个性化癌症靶标的疗法，为此没有可用的结构信息。

梦见蛋白质以杀死致命的细菌

除了个性化癌症疗法之外，一个由Rhys Grinter在墨尔本大学和加文·诺特在莫纳什大学（Monash University）使用生成的AI设计蛋白质杀死抗生素抗性细菌。²

grinter说，基于AI的蛋白质设计有效地使我们能够梦想着将Chua结合的小蛋白质。CHUA是一种由致病细菌使用的外膜转运蛋白大肠杆菌和志贺氏菌从他们的宿主那里提取出来的铁。

使用Alphafold2，该团队在几分钟内从其氨基酸序列中预测了Chua的3D结构。然后评估该模型的准确性，并制定了阻断Chua功能的策略。生成的AI工具，RfDiffusion和ProteinMPNN，随后用于设计能够干扰靶标的蛋白质。

诺特说，整个过程花费了几周的时间，功能设计的成功率为10％。这种方法有效地剃光了标准的实验结构生物学方法，并迅速加速了新型生物制剂的发展。

Grinter补充说，它令人惊奇，并强调了AI在蛋白质设计中的功能和变革潜力。

Grinter，Knott，Jenkins及其同事们喜欢更广泛的科学界可以自由访问的AI平台。使这些工具可用于所有人有助于降低全球研究人员的障碍。结果，更广泛的专家可以协作和创新，从而加快在紧迫的社会挑战（例如抗生素耐药性和个性化癌症疗法）方面的进步。

但是，它不像点并点击那么简单，”诺特说。目前，该技术仍然需要对蛋白质结构和功能关系有深入的了解。

而且仍然需要谨慎，因为尽管生成AI具有令人印象深刻的能力，但它具有固有的局限性，植根于其从中学到的数据中。詹金斯说，生成的AI强大，但这不是魔术。对我们已经知道的数千种蛋白质结构进行了培训。如果我们要求他们设计与以前见过的任何东西完全不同的东西，那么他们有时可以在计算机上看起来不错，但在现实世界中没有物理稳定或实用。”

“生物学存在于现实世界中，因此AI与实验技术相结合并应用于生物系统时实现了实际价值。”总结说。将实验和AI结合起来具有科学发现和技术发展的变革力。我们认为将来，AI工具将构成生物学研究几乎所有方面的核心组成部分。