AI Sekarang Dapat Menghitung Struktur 3D Protein Apapun

• Para peneliti menggunakan model pembelajaran mendalam untuk menentukan struktur 3D protein berdasarkan urutan asam aminonya.
• Setelah benar-benar terlatih, ia dapat dengan mudah mengungguli semua teknik yang ada dalam memperkirakan struktur protein yang tidak diketahui sebelumnya.

Protein adalah salah satu blok bangunan utama tubuh manusia. Ini membangun dan memelihara jaringan. Secara kimia, itu terdiri dari asam amino – senyawa organik yang terbuat dari hidrogen, karbon, oksigen, nitrogen, atau belerang.

Protein melakukan hampir semua proses biologis mendasar yang penting bagi kehidupan dengan melipat dirinya menjadi struktur tiga dimensi yang akurat yang mengontrol interaksinya dengan molekul lain.

Karena bentuk protein menentukan fungsi dan perannya dalam berbagai penyakit, penting untuk mempelajari dan memprediksi strukturnya untuk mengembangkan obat-obatan yang menyelamatkan hidup dan mengubah hidup.

Namun, itu tidak semudah kedengarannya. Selama 5 dekade terakhir, pelipatan protein tetap menjadi salah satu masalah yang paling menantang bagi ahli biokimia. Banyak metode komputasi telah dikembangkan, terutama dalam beberapa tahun terakhir, untuk memprediksi bagaimana protein terlipat tetapi peta urutan-ke-struktur yang eksplisit belum tercapai.

Sekarang, para peneliti di Harvard Medical School telah menggunakan model pembelajaran mendalam (suatu bentuk kecerdasan buatan) untuk menentukan struktur 3D protein berdasarkan urutan asam aminonya. Ini mengungguli teknik canggih yang ada dengan 6 hingga 7 kali lipat dalam hal kecepatan.

Menerapkan Pembelajaran Mendalam Diferensiasi End-to-End

Algoritme canggih menggunakan teknik brute force untuk mensimulasikan fisika kompleks dari interaksi asam amino dan menentukan struktur protein. Untuk mengurangi overhead komputasi, algoritme ini memetakan urutan baru ke templat yang telah dirancang sebelumnya yang mewakili struktur protein yang ditentukan sebelumnya.

Beberapa proyek AI seperti Google's AlphaFold mengurai sejumlah besar data genom yang berisi cetak biru urutan protein. Namun, metode ini tidak memperkirakan struktur hanya berdasarkan urutan asam amino. Mereka tidak dapat menentukan protein unik evolusioner (struktur protein yang tidak pernah dipelajari di masa lalu).

Oleh karena itu, tim peneliti menggunakan teknik pembelajaran mendalam yang dapat dibedakan secara menyeluruh, yang telah terbukti efektif di beberapa aplikasi paling populer, termasuk Google Terjemahan dan Siri Apple.

Referensi:Sistem Sel | doi:10.1016/j.cels.2019.03.006 | Sekolah Kedokteran Harvard 

Sistem pembelajaran mendalam yang disebut jaringan geometris berulang ini menekankan pada sifat-sifat utama pelipatan protein. Ini dilatih pada ribuan urutan dan struktur protein yang telah ditentukan sebelumnya.

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

Simulasi visual tentang 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 disempurnakan oleh lokasi relatif dari setiap asam amino lainnya) sampai struktur selesai. Sistem kemudian memeriksa ketepatan hasilnya dengan mencocokkannya dengan struktur protein sebenarnya (diperoleh dari pengamatan langsung).

Hasil

Proses ini diulang untuk beberapa protein yang diketahui berbeda dan akurasi sistem meningkat dengan setiap iterasi. Diperlukan waktu berbulan-bulan untuk melatih jaringan, tetapi setelah pelatihan selesai, model dapat dengan mudah mengungguli semua teknik yang ada dalam memperkirakan struktur protein yang tidak diketahui sebelumnya.

Namun, keakuratan model tidak cukup untuk menyelesaikan struktur atom penuh protein. Oleh karena itu, tidak 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 daripada sebelumnya. Ada banyak peluang untuk meningkatkan model dengan mengintegrasikan hukum fisika dan kimia. Jika Anda ingin mencobanya sendiri, kode dan hasilnya tersedia di GitHub.