Искусственный интеллект вышел за пределы эволюции и начал придумывать собственные формы жизни
Искусственный интеллект научился проектировать белки, которые не обязаны быть похожи на созданные природой. Исследователи разработали систему PottsMPNN, которая ищет подходящие аминокислотные последовательности для заданной структуры и при этом специально не пытается максимально точно воспроизвести известные природные белки. Такой подход открывает гораздо большее пространство для создания молекул с новыми свойствами.
Современное проектирование белков во многом работает в направлении, обратном знаменитому AlphaFold. AlphaFold получает последовательность аминокислот и пытается определить, какую трехмерную структуру примет белок. При создании нового белка исследователи могут сначала придумать нужную структуру, а затем подобрать последовательность аминокислот, способную стабильно в нее свернуться.
Проблема возникает на втором этапе. Многие нейросетевые модели обучают восстанавливать природную последовательность по известной структуре белка. Чем точнее алгоритм угадывает последовательность, выбранную эволюцией, тем лучше обычно считается результат. Авторы PottsMPNN считают такой критерий ошибочным. Одна и та же трехмерная структура может соответствовать множеству разных последовательностей, поэтому копирование природы лишь искусственно сужает пространство поиска.
«Если речь идет о совершенно новой спроектированной структуре, природной последовательности для сравнения вообще не существует», объясняет ведущий автор работы Фостер Бирнбаум. Для разработчиков гораздо полезнее знать, свернется ли предложенная последовательность в нужную форму, насколько стабильным окажется белок и что произойдет после замены отдельных аминокислот.
PottsMPNN пытается решать именно такую задачу. Нейросеть представляет белковый каркас в виде графа, где отдельные узлы соответствуют аминокислотным остаткам, а связи учитывают взаимодействия между ними. Модель оценивает не только вероятность появления конкретной аминокислоты в определенной позиции, но и энергетический вклад пар аминокислот. Фактически алгоритм учится понимать, какие комбинации помогают белку сохранять заданную форму.
Авторы дополнительно обучали PottsMPNN на слегка искаженных трехмерных структурах. Искусственный «шум» мешал нейросети запоминать природные последовательности и заставлял искать более широкий набор решений. В обучение также включили семейства эволюционно родственных белков. Такие данные показывают модели, что сильно отличающиеся последовательности способны складываться в одну и ту же структуру.
Результат оказался парадоксальным. PottsMPNN хуже восстанавливал исходные природные последовательности, зато лучше справлялся с более практичными задачами. Созданные последовательности чаще соответствовали заданной структуре, а модель точнее оценивала энергетические последствия мутаций. Исследователи рассматривают результат как свидетельство того, что стремление максимально хорошо копировать известные белки может мешать разработке действительно новых молекул.
Потенциальное применение выходит далеко за рамки фундаментальной биологии. Проектируемые белки могут стать основой лекарств, молекулярных сенсоров, катализаторов и новых биоматериалов. Главная идея PottsMPNN заключается не в поиске очередного варианта уже существующего белка, а в исследовании огромного пространства последовательностей, которое естественная эволюция могла никогда не попробовать.
До способности «заказывать» белки с произвольными функциями биоинженерии еще далеко. Работа PottsMPNN прежде всего показывает новый способ компьютерного проектирования, а вычислительно перспективная последовательность сама по себе еще не гарантирует успешного синтеза и работы молекулы в лаборатории. Но направление постепенно меняется. После прорыва AlphaFold главной задачей становится уже не только предсказание созданных природой структур, но и разработка молекул, которых в природе прежде не существовало.
Код PottsMPNN исследователи также сделали открытым.