蛋白質AI生成模型發布,阻斷癌癥靶點在望
這是首個用于設計新型高強度蛋白質粘合劑(Protein Binder)的AI模型,也是谷歌從2017年起陸續推出AlphaFold系列生物學預測工具以來,在蛋白質結構預測之外為生物學界帶來的又一個突破性的AI工具。
責任編輯:黃金萍
“如果你認為AI進展放緩,那只是因為你對它關注不夠?!?024年9月5日一大早,谷歌AI Studio產品總監Logan Kilpatrick在社交媒體上發了一條推文。
當天,谷歌DeepMind團隊發布蛋白質AI生成模型AlphaProteo,可為多種靶蛋白生成新的蛋白結合劑,幫助科學家更好地理解生物系統是如何運作的,節約研究時間,加快藥物的設計研發等。
這是首個用于設計新型高強度蛋白質粘合劑(Protein Binder)的AI模型,也是谷歌從2017年起陸續推出AlphaFold系列生物學預測工具以來,在蛋白質結構預測之外為生物學界帶來的又一個突破性的AI工具。
AlphaFold 1 在2018年第13屆蛋白質結構預測技術關鍵評估(CASP)中獲得最高分,一鳴驚人;AlphaFold 2 2020年在CASP上以高于90%的準確率,再次將其他選手遠遠甩在身后;2023年,Alphafold-latest進一步預測蛋白質結構的能力泛化到核酸、任意小分子配體等其他的生物分子結構的預測上;2024年5月,AlphaFold 3可預測“幾乎所有分子類型”的蛋白質復合物結構,并在預測藥物相互作用上實現了前所未有的準確性。
這些工具,已經在科學界廣泛使用開來。比如,2024年9月4日,《自然》(Nature)刊發英國MRC-格拉斯哥大學和澳大利亞悉尼大學科研團隊成果,他們利用AlphaFold和ESMFold成功預測了黃病毒科數百種病毒的蛋白質結構,包括導致登革熱、寨卡病毒和丙型肝炎等疾病的病原體,揭示了病毒如何進入體內并在細胞中復制的關鍵進入機制,不僅為疫苗開發鋪平了道路,還為應對當前Mpox等病毒的威脅和防范未來的大流行病等提供了基礎。
AlphaFold可以幫助科研人員深入了解了蛋白質如何相互作用以發揮其功能,但無法創建新的蛋白質來直接操縱這些相互作用??茖W家已經創造出成功結合目標分子的新型蛋白質,但這種蛋白質設計機器學習方法依然十分費力,仍需大量的實驗測試。
AlphaProteo的訓練數據,包括全球結構生物學界科學家們多年積累的蛋白質數據庫(PDB)中的蛋白質數據,以及AlphaFold中的1億多個預測結構,從而了解分子之間結合的方式,只要給定目標分子結構和首選結合位置,就能生成在這些位置與目標分子結合的候選蛋白質。
具體來看,AlphaProteo可為多種靶蛋白生成新的蛋白結合劑,包括與癌癥和糖尿病并發癥相關的VEGF-A(血管內皮生長因子A)。在團隊測試的七種目標蛋白質上,AlphaProteo實現了更高的結合成功率,并且比現有方法提高了3-300倍的結合親和力。
例如,病毒蛋白BHRF1這一特定靶標在濕實驗室測試時,88%的候選分子都能成功結合。根據測試目標,AlphaProteo的結合強
登錄后獲取更多權限
校對:趙立宇