德克萨斯大学奥斯汀分校的研究人员开发了一种新型人工智能模型，为更有效、毒性更小的治疗和新的医学预防策略铺平了道路。该人工智能模型利用自然进化过程的基本逻辑，为基于蛋白质的疗法和疫苗的设计提供信息。

这项名为EvoRank的AI进步提供了一个全新且切实的例子，展示了AI如何帮助为生物医学研究和生物技术带来更广泛的颠覆性变革。科学家在国际学习表征会议(ICLR2024)上介绍了这项工作，并在《自然通讯》上发表了一篇相关论文，介绍了如何利用更广泛的AI框架来识别蛋白质中的有用突变。

设计更好的基于蛋白质的生物技术的一个主要障碍是拥有足够多的关于蛋白质的实验数据来充分训练人工智能模型，以了解特定蛋白质的工作方式，从而如何将它们设计用于特定目的。

EvoRank的关键见解是利用长期进化产生的数百万种蛋白质的自然变异，并提取解决生物技术挑战的可行解决方案所需的潜在动力。

“大自然已经进化了30亿年的蛋白质，不断变异或替换氨基酸，保留那些对生物有益的氨基酸，”计算机科学研究科学家、深度蛋白质小组联合负责人丹尼尔迪亚兹(DanielDiaz)说，该小组是德克萨斯大学由计算机科学和化学专家组成的跨学科团队。

“EvoRank学习如何对我们周围观察到的进化进行排序，从本质上提炼出决定蛋白质进化的原理，并利用这些原理指导新蛋白质应用的开发，包括药物开发和疫苗，以及广泛的生物制造用途。”

田纳西大学是美国人工智能研究领先项目的所在地之一，并设有机器学习基础研究所(IFML)，该研究所由计算机科学教授AdamKlivans领导，他也是深度蛋白质项目的联合负责人。

该项目由DeepProteins和疫苗研制者、德克萨斯州大学分子生物科学教授JasonMcLellan与拉霍亚免疫学研究所合作开展，将人工智能应用于蛋白质工程研究，开发对抗疱疹病毒的疫苗。

Klivans表示：“设计出具有天然蛋白质所不具备的功能的蛋白质是生命科学领域中一个反复出现的巨大挑战。这也恰好是生成式人工智能模型所要完成的任务类型，因为它们可以合成已知生物化学的大型数据库，然后生成新的设计。”

与谷歌DeepMind的AlphaFold(利用人工智能根据每种蛋白质的氨基酸序列预测蛋白质的形状和结构)不同，DeepProteins团队的人工智能系统可以建议如何最好地改变蛋白质以实现特定功能，例如提高蛋白质开发成新生物技术的简易性。

麦克莱伦的实验室已经根据人工智能生成的设计合成不同版本的病毒蛋白，然后测试它们的稳定性和其他特性。

“这些模型得出了我们从未想过的替代结果，”麦克莱伦说。“它们确实有效，但并不是我们能预测到的，所以它们实际上正在寻找一些新的稳定空间。”

蛋白质疗法通常副作用较少，而且比其他疗法更安全、更有效。目前全球蛋白质疗法产业规模估计为4000亿美元，未来十年有望增长50%以上。不过，开发基于蛋白质的药物既缓慢又昂贵，风险也很大。

据估计，从药物设计到完成临床试验需要十多年的时间，至少需要10亿美元;即便如此，一家公司的新药获得食品和药物管理局批准的几率也只有十分之一。

更重要的是，为了在治疗中发挥作用，蛋白质通常需要进行基因工程改造，例如，以确保它们的稳定性，或使它们的产量达到药物开发所需的水平——而传统上，实验室中繁琐的反复试验决定了这种基因工程决策。

如果EvoRank及其所基于的相关UT创建的框架StabilityOracle能够进行商业化改造，那么行业将有机会节省药物开发的时间和费用，并拥有更快地找到更好设计的路线图。

利用现有的自然蛋白质序列数据库，创建EvoRank的研究人员基本上将出现在不同生物体(从海星到橡树再到人类)中的相同蛋白质的不同版本排列起来，然后进行比较。

在蛋白质的任何给定位置，可能存在几种不同的氨基酸，这些氨基酸被进化发现是有用的，自然选择的比例是36%的氨基酸酪氨酸，29%的比例是组氨酸，14%的比例是赖氨酸，而更重要的是，从来不会选择亮氨酸。

利用这一现有数据的金矿，研究人员可以揭示蛋白质进化的根本逻辑。进化论认为，研究人员可以排除那些会导致蛋白质功能丧失的选项。

该团队利用所有这些来训练新的机器学习算法。基于持续的反馈，该模型可以了解大自然在过去进化蛋白质时选择了哪种氨基酸，并根据自然界中什么是合理的、什么是不可能的来理解。

迪亚兹下一步计划开发“多列”版EvoRank，以评估多个突变同时对蛋白质结构和稳定性的影响。他还想开发新工具来预测蛋白质结构与其功能之间的关系。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：