Головна Наука і космос

AI навчився створювати невпорядковані білки: новий шлях у медицині

10 жовтня 2025 08:30 7 хвилин читання

Світ біології керується білками, але близько 30% білків людського організму досі залишалися поза межами можливостей найпотужніших інструментів штучного інтелекту. Йдеться про внутрішньо невпорядковані білки (IDPs) — молекули, які постійно змінюють свою форму і не мають фіксованої структури. У науково-популярному виданні Neuroscience News з'явився матеріал, що засвідчив: команда вчених Гарварду та Північно-Західного університету розробила новий метод машинного навчання, який навчився цілеспрямовано проєктувати ці невловимі білки. Ми підготували деталізований виклад найважливішого: як працює цей прорив, чому він критично важливий для лікування Паркінсона та раку, і як він змінить підходи у синтетичній біології.

AI навчився створювати невпорядковані білки: новий шлях у медицині зображення 1

AI навчився створювати невпорядковані білки: новий шлях у медицині. Image: freepik.com

Сліпа зона AlphaFold: чому не всі білки піддаються прогнозуванню

Біологічна спільнота була вражена досягненнями таких моделей, як AlphaFold від Google DeepMind, які навчилися надзвичайно точно передбачати тривимірну форму складених (folded) білків за їхньою амінокислотною послідовністю. Однак, ця парадигма виявилася нежиттєздатною для невпорядкованих білків.

Читайте також: Binance увійшла до списку Fortune Crypto 100: що це означає

Фундаментальна проблема IDPs полягає в їхній конформаційній пластичності. На відміну від білка зі стабільною структурою, IDP ніколи не фіксується в єдиній формі, а натомість існує як ансамбль — величезна сукупність миттєво змінюваних просторових конформацій. Саме цей динамічний ансамбль, а не окрема статична форма, визначає біологічну функцію IDP. Ці нестабільні молекули є ключовими для численних біологічних процесів, включаючи клітинну сигналізацію, зондування (sensing) та міжмолекулярне зшивання.

На жаль, мутації або дисфункції IDPs тісно пов'язані з розвитком найважчих захворювань. Наприклад, невпорядкований білок α-синуклеїн давно вважається причетним до хвороби Паркінсона та інших розладів. Через те, що їхні структури постійно змінюються, IDPs досі ігнорували традиційні моделі прогнозування.

Підписуйтеся на наші соцмережі

Революційний підхід: фізика замість емпіричного прогнозування

Для створення IDPs із заданими властивостями вчені виявили необхідність або знайти кращі AI-моделі, або розробити спосіб використовувати фізичні моделі, які забезпечують не лише хороші прогнози, але й «фізику безкоштовно». Команда з Гарварду (SEAS) та Північно-Західного університету вирішила цю проблему, розробивши обчислювальний метод, заснований на автоматичному диференціюванні (Automatic Differentiation).

Автоматичне диференціювання — це алгоритмічний інструмент, який широко використовується для тренування нейронних мереж, адже він дозволяє автоматично обчислювати похідні — миттєві швидкості зміни. Вчені стали одними з перших, хто розпізнав потенціал цього методу для оптимізації фізично-базованих симуляцій молекулярної динаміки.

На відміну від традиційного машинного навчання, яке покладається на прогнозування «найкращої здогадки», цей метод дозволяє раціонально вибирати та розробляти таку послідовність амінокислот, яка відповідає бажаній динамічній поведінці білка. Суть підходу:

1
Точне налаштування послідовності: Завдяки автоматичному диференціюванню, комп'ютер навчився розпізнавати, як найменші зміни в послідовності (навіть заміна однієї амінокислоти) впливають на кінцеві властивості білка.
2
Градієнтна оптимізація: Метод використовує традиційний фреймворк для тренування нейронних мереж, відомий як градієнтно-орієнтована оптимізація , для ефективного та точного вибору нових білкових послідовностей.
3
Диференційовані білки: Результатом є дизайн білків, які є "диференційованими", тобто їхні властивості ґрунтуються не на припущеннях AI, а на реальних симуляціях молекулярної динаміки, які враховують, як білки динамічно поводяться в природі. Вчені порівняли свій метод із дуже потужною пошуковою системою для амінокислотних послідовностей, що задовольняють функціональним критеріям.

Практичне застосування: від лікування Паркінсона до молекулярних сенсорів

Цей обчислювальний метод забезпечив загальну основу для дизайну de novo IDPs , що відкриває шлях до цілеспрямованого створення синтетичних білків з індивідуальними властивостями та довільними обмеженнями послідовності.

Практична цінність прориву охоплює кілька ключових напрямків:

Розробка ліків: Можливість проєктувати білки, які зв'язуються з невпорядкованими субстратами, є критично важливою для розробки нових терапевтичних підходів до нейродегенеративних захворювань та раку, пов'язаних з IDPs.
Синтетична біологія та інженерія: Метод дозволяє створювати на замовлення такі елементи, як петлі та лінкери для білкових конструкцій, а також інженерно проєктувати IDPs з цільовими розмірами ансамблю. Це трансформує молекулярну інженерію та створення штучних білків для медицини.
Біологічні сенсори: З'являється можливість проєктувати високочутливі сенсори, які реагуватимуть на фізико-хімічні стимули, відкриваючи нові інструменти для діагностики та досліджень.

Це знаменує собою зміну парадигми: від спроб передбачити структуру до здатності проєктувати функціональну поведінку на основі фізичних законів.

Новий метод, що поєднує автоматичне диференціювання з моделюванням молекулярної фізики, довів свою здатність успішно проєктувати внутрішньо невпорядковані білки, чого не вдавалося попереднім поколінням AI, включаючи AlphaFold. Цей прорив не просто заповнює «білу пляму» в структурній біології (30% людських білків), але й надає інженерам потужний інструмент для створення цільових білків для лікування найскладніших захворювань та для розробки новітніх біосенсорів. Фокус на фізичних законах дозволив перетворити передбачення на точний, керований дизайн.

Глосарій ключових понять

Внутрішньо невпорядковані білки (IDPs): Білки, які постійно змінюють свою форму, не маючи єдиної стабільної тривимірної структури. Вони існують як динамічний ансамбль конформацій і критично важливі для клітинної сигналізації.
Автоматичне диференціювання (Automatic Differentiation): Обчислювальний метод, який автоматично та точно розраховує похідні, дозволяючи системі розпізнавати, як зміни в послідовності білка впливають на його властивості.
Молекулярна динаміка (Molecular Dynamics): Комп'ютерне моделювання, що імітує фізичні рухи атомів і молекул у біологічній системі. Використовується для вивчення реальної динамічної поведінки білків.
AlphaFold: Флагманська AI-програма, яка досягла високої точності у прогнозуванні 3D-структур складених білків, але не може працювати з нестабільними IDPs.

Цей матеріал підготовлений на основі інформації з відкритих джерел. Редакція самостійно відбирає ключові факти, аналізує їх та структурує за допомогою AI-інструментів.