AlphaFold 2 di DeepMind è metà della storia
L’idea era se ti dessi una sequenza di aminoacidi, puoi prevedere quale sarà la struttura o la forma che assumerà nello spazio 3D?
L’anno scorso, il braccio di ricerca di Google DeepMind ha rilasciato una versione open source della sua rete neurale di apprendimento profondo AphaFold 2 , che ha sostanzialmente risolto il grande problema di 50 anni di ripiegamento delle proteine. Questo metodo computazionale ha ottenuto prestazioni di previsione più elevate rispetto a metodi sperimentali molto più costosi come la cristallografia a raggi X.
Qual è il problema?
Come mostrato di seguito, l’algoritmo AphaFold 2 di DeepMind ha superato significativamente le prestazioni di altri team al concorso di ripiegamento delle proteine CASP14 e le prestazioni della sua versione precedente all’ultimo CASP.
Nel 2018, la sua versione precedente ha ottenuto un punteggio di 58 nella classe di proteine più difficili. La seconda generazione di AlphaFold ha ottenuto un punteggio di 87, che è un enorme miglioramento: 26 punti in più rispetto alla concorrenza più vicina. Per chi non lo sapesse, un punteggio superiore a 90 è considerato più o meno equivalente alla struttura determinata sperimentalmente.
Ma c’è di più
“Il ripiegamento delle proteine è solo metà della storia”, ha affermato Vikas K. Garg , co-fondatore e scienziato capo di YaiYai.
Alumnus dell’IISc e del MIT ( PhD ), Garg è uno dei ricercatori principali che ha lavorato allo sviluppo di ” Modelli generativi per la progettazione di proteine basate su grafici “, che sono serviti come uno dei riferimenti per modellare AphaFold di DeepMind. La sua azienda YaiYai, che ha co-fondato insieme a Tamar Pichkhadze , fornisce soluzioni basate sull’intelligenza artificiale nei settori biofarmaceutico, energetico, edtech, gaming e fintech a startup e governi, nonché a società leader in tutto il mondo.
Diventiamo reali
Il corpo umano è quasi interamente costituito da proteine, oltre ad acqua e grasso. Il ripiegamento delle proteine è la causa alla base di molte malattie. Comprendere il ripiegamento delle proteine, la progettazione delle proteine, ecc., aiuta a spianare la strada alla ricerca di una cura, alla progettazione di nuovi farmaci, soluzioni farmaceutiche, farmaci, ecc. Negli ultimi due anni, a causa della pandemia di Covid-19, le metodologie o le tecniche, come AlphaFold, stanno guadagnando una rinnovata attenzione.
Ecco come funziona
Le persone si ammalano, magari raffreddore o febbre o Covid-19. Quindi abbiamo questi bersagli proteici nei nostri corpi e ci sono diversi tipi di proteine in tutto il nostro corpo, nelle nostre cellule. Quindi, quando cerchiamo di somministrare loro una compressa o un farmaco, identifichiamo alcune proteine specifiche nel corpo umano, dove vogliamo che queste molecole vadano e si leghino con queste proteine.
«Dovresti pensarlo come apriresti una serratura. Quindi, pensa alle proteine come a un lucchetto e al tuo farmaco o a una molecola come a una chiave”, ha spiegato Garg.
Ha detto che se non apri la serratura giusta, c’è il rischio che tu apra qualcos’altro, il che porterà ad effetti collaterali. Per ridurre al minimo gli effetti collaterali e allo stesso tempo, vuoi curare la salute di qualcuno, quello che dovresti fare è somministrare questa proteina, che si trova negli oggetti o nella forma 3d.
Pensalo come se queste palline (proteine) si unissero. Una volta trovata la chiave giusta per la serratura, l’attività viene ripristinata. In altre parole, il farmaco ha l’effetto di ripristinare la normale funzionalità del corpo umano.
In poche parole, ci sono due parti in questo processo. Il primo è l’identificazione del bersaglio delle proteine che vogliamo prendere di mira per una particolare malattia. Il secondo è trovare i farmaci giusti che possono avere l’effetto terapeutico desiderato, ad esempio l’iniezione di Remdesivir nel trattamento del coronavirus.
“Quindi, vuoi che questi farmaci aprano tecnicamente ogni serratura. Per questo, hai bisogno della giusta quantità della chiave giusta. Non vuoi aprire troppe serrature. Vuoi aprire solo il lucchetto che stai cercando”, ha detto Garg.
Ecco come lo fai
Ci sono due modi, o potresti progettare nuove proteine (nuove serrature) e trovare una cura (chiave), oppure identificare nuove proteine e iniettare molecole.
Perché AlphaFold è metà della storia?
“Ora, quando parliamo di AlphaFold, per esempio, e di protein fold, questa è solo la metà della storia, probabilmente un quarto della storia”, ha sottolineato Garg.
Ha detto che le proteine sono strutture molto complesse. Ci sono molte proprietà che si sono evolute nel corso di secoli o millenni. Ad esempio, alcune delle proteine sono note per essere biologicamente più stabili rispetto ad altre. “Lo spazio in cui operiamo è enorme”, ha aggiunto, dicendo che è davvero difficile trovare i farmaci giusti o generare nuove proteine.
“È qui che sta la parte divertente”, ha detto Garg, “Questo è anche il punto in cui voglio sottolineare il motivo per cui il quantum mantiene così tante promesse. Naturalmente, l’IA ha fatto progressi molto rapidi. Ma il quantum ti dà questa flessibilità.
Se fatto bene, hanno un enorme potenziale perché saranno in grado di cercare in questo spazio enorme molto rapidamente. “Molto più rapidamente di qualsiasi metodo classico oggi”, ha affermato Garg.
Facendo luce su AlphaFold, Garg ha detto: “Le proteine sono strutture molto compatte”. Ad esempio, ogni proteina può essere vista come una sequenza di aminoacidi. Ci sono 20 aminoacidi nel nostro corpo. Ciò include istidina, isoleucina, metionina, leucina, lisina, fenilalanina, ecc. “Pensalo come una catena, dove in ogni posizione e in ogni posizione in quella catena, lo stai etichettando come uno di questi 20 aminoacidi”, ha spiegato Garg, dicendo che questo è un problema molto complesso.
“Ora, immagina, 20 elevati al potere di 1000 possibilità”, ha aggiunto Garg, sottolineando la complessità della risoluzione di questo problema.
Ripiegamento proteico inverso
“L’idea era se ti do una sequenza di aminoacidi, puoi prevedere quale sarà la struttura o la forma che assumerà nello spazio 3D?” disse Garg. Ha detto che questo è un problema risolto da AlphaFold utilizzando il deep learning.
“Certo, è una cosa utile, ma non è l’obiettivo finale”, ha aggiunto, dicendo che è solo una parte del processo. “L’obiettivo finale è progettare nuove proteine”, ha affermato Garg, proponendo una tecnica di ripiegamento proteico inverso . “Ti darò la forma della serratura, ma non ti dirò quale sia la chiave giusta per aprire la serratura. Ora, l’idea è che posso mappare la struttura 3D sulla sequenza”, ha affermato Garg.
Come funziona? “Abbiamo creato queste strutture 3D, dove abbiamo utilizzato metodi di deep learning molto avanzati per prevedere quali amminoacidi o nuove proteine possono essere generati. Poiché abbiamo già la struttura, puoi riempire gli amminoacidi in ogni posizione e ottieni una nuova proteina”, ha detto Garg.
Ha detto che il potenziale del ripiegamento proteico inverso è immenso; puoi progettare terapie, nuovi materiali, sintetizzare nuove batterie per veicoli elettrici, ecc.
