Kemajuan AI: Memprediksi Struktur 3D Semua Protein dari Sekuensnya dengan Akurat

• Peneliti menggunakan model deep learning untuk menentukan struktur 3D protein berdasarkan sekuens asam amino.
• Setelah sepenuhnya dilatih, model ini dapat dengan mudah mengalahkan semua teknik yang ada dalam memperkirakan struktur protein yang tidak ada pengetahuan sebelumnya.

Protein adalah salah satu komponen pembangun tubuh manusia yang utama. Ini membangun dan memelihara jaringan. Secara kimia, ini terdiri dari asam amino – senyawa organik yang terdiri dari hidrogen, karbon, oksigen, nitrogen atau sulfur.

Protein melakukan hampir semua proses biologis dasar yang penting untuk kehidupan dengan melipat dirinya sendiri ke dalam struktur tiga dimensi yang akurat yang mengontrol interaksinya dengan molekul lain.

Karena bentuk protein menentukan fungsinya dan perannya dalam berbagai penyakit, penting untuk mempelajari dan memprediksi struktur mereka untuk mengembangkan obat yang menyelamatkan dan mengubah kehidupan.

Namun, tidak seberapa mudah terdengar. Selama 5 dekade terakhir, lipatan protein tetap menjadi salah satu masalah paling menantang bagi biokimiawan. Banyak metode komputasi telah dikembangkan, terutama dalam beberapa tahun terakhir, untuk memprediksi bagaimana protein melipat namun peta sekuens-ke-struktur eksplisit belum tercapai sejauh ini.

Sekarang, peneliti di Harvard Medical School telah menggunakan model deep learning (bentuk buatan pintar) untuk menentukan struktur 3D protein berdasarkan sekuens asam amino. Ini mengalahkan teknik terdepan yang ada sebesar 6 hingga 7 orde magnitudo dalam hal kecepatan.

Menerapkan Deep Learning Diferensial Sejak Akhir hingga Akhir

Algoritma canggih menggunakan teknik paksa untuk mensimulasikan fisika kompleks interaksi asam amino dan menentukan struktur protein. Untuk mengurangi overhead komputasi, algoritma ini memetakan sekuens baru pada templat yang telah dirancang sebelumnya yang merepresentasikan struktur protein yang telah ditentukan sebelumnya.

Beberapa proyek AI seperti AlphaFold Google menganalisis sejumlah besar data genom yang berisi cetak biru sekuens protein. Namun, metode ini tidak memperkirakan struktur hanya berdasarkan sekuens asam amino. Mereka tidak dapat menentukan protein yang unik secara evolutif (struktur protein yang belum pernah dipelajari di masa lalu).

Oleh karena itu, tim penelitian menggunakan teknik deep learning diferensial sejak akhir hingga akhir, yang sudah terbukti efektif dalam beberapa aplikasi populer, termasuk Google Translate dan Apple's Siri.

Referensi: Cell Systems | doi:10.1016/j.cels.2019.03.006 | Harvard Medical School

Sistem deep learning ini yang disebut jaringan geometris rekuren menekankan pada properti kunci lipatan protein. Ini dilatih pada ribuan sekuens dan struktur protein yang telah ditentukan sebelumnya.

Untuk setiap asam amino tunggal, algoritma menghitung sudut ikatan kimia yang menghubungkan asam dengan tetangganya, serta sudut rotasi di sekitar ikatan kimia ini.

Simulasi visual bagaimana jaringan menghitung sudut ikatan kimia dan sudut rotasi di sekitar ikatan ini untuk membangun struktur protein. | Kredit: Mohammed AlQuraishi

Jaringan saraf melakukan perhitungan ini (setiap iterasi diedarkan oleh lokasi relatif setiap asam amino lain) sampai struktur selesai. Sistem kemudian memeriksa ketepatan hasilnya dengan mencocokkannya dengan struktur protein asli (didapat dari observasi langsung).

Hasil

Proses ini diulang untuk beberapa protein yang berbeda yang diketahui dan akurasi sistem meningkat dengan setiap iterasi. Ini bisa membutuhkan bulan untuk melatih jaringan, namun setelah pelatihan selesai, model dapat dengan mudah mengalahkan semua teknik yang ada dalam memperkirakan struktur protein yang tidak ada pengetahuan sebelumnya.

Masih, akurasi model belum cukup untuk menyelesaikan struktur atom penuh sebuah protein. Jadi, ini belum siap untuk digunakan dalam desain atau penemuan obat.

Baca: Metode Baru Menggunakan Kamera Ponsel untuk Mengukur Protein Sangat Langka dalam Darah

Untuk saat ini, ini dapat melengkapi teknik lain untuk memprediksi kelas struktur protein yang jauh lebih luas dari yang sebelumnya mungkin. Ada banyak kesempatan untuk meningkatkan model dengan mengintegrasikan hukum fisika dan kimia. Jika ingin mencobanya sendiri, kode dan hasilnya tersedia di GitHub.