Kecerdasan Buatan Mengungkap Resep untuk Membangun Protein Buatan

Pola pita protein. Kredit: Emw / Wikimedia CC BY-SA 3.0

Protein sangat penting untuk sel, melakukan tugas kompleks dan mengkatalis reaksi kimia. Ilmuwan dan insinyur telah lama berusaha memanfaatkan kekuatan ini dengan merancang protein buatan yang dapat melakukan aktivitas baru, seperti mengobati penyakit, menangkap karbon, atau mengumpulkan energi, tetapi banyak proses yang dirancang untuk membuat protein semacam itu. mereka lambat dan kompleks, dengan tingkat kegagalan yang tinggi.

Sebelumnya yang dapat berdampak pada sektor perawatan kesehatan, pertanian dan energi, tim yang dipimpin oleh para peneliti di Pritzker School of Molecular Engineering Universitas Chicago telah mengembangkan proses yang dipimpin oleh kecerdasan buatan yang menggunakan data besar untuk menghasilkan protein baru.

Dengan mengembangkan model pembelajaran mesin yang dapat meninjau informasi tentang protein yang dikumpulkan dari database genom, para peneliti telah menemukan aturan desain yang relatif sederhana untuk konstruksi protein buatan. Ketika tim membangun protein buatan ini di laboratorium, mereka menemukan bahwa mereka melakukan proses kimiawi dengan sangat baik sehingga mereka dapat menyaingi yang ditemukan di alam.

“Kita semua bertanya-tanya bagaimana proses sederhana seperti evolusi dapat menghasilkan bahan seefisien protein,” kata Rama Ranganathan, Profesor Joseph Regenstein dari Biokimia dan Biologi Molekuler, dan Teknik Molekuler. “Kami telah menemukan bahwa data genom mengandung sejumlah besar informasi tentang aturan dasar struktur dan fungsi protein, dan sekarang kami dapat mendorong aturan alam untuk membuat protein. Diri kita sendiri. “

Hasilnya dipublikasikan di jurnal Ilmu.

Gunakan kecerdasan buatan untuk mempelajari aturan konsepsi

Protein terdiri dari ratusan atau ribuan asam amino, dan petunjuk ini asam urutannya menentukan struktur dan fungsi protein. Tetapi hanya memahami bagaimana membangun urutan ini untuk membuat protein baru telah menantang. Pekerjaan sebelumnya telah menghasilkan metode yang dapat menentukan struktur, tetapi fungsinya lebih sulit dipahami.

Apa yang dipahami Ranganathan dan kolaboratornya selama 15 tahun terakhir adalah bahwa basis data genom – yang tumbuh secara eksponensial – berisi sejumlah besar informasi tentang aturan dasar struktur dan fungsi. dan protein. Kelompoknya mengembangkan model matematika berdasarkan data ini dan kemudian mulai menggunakan metode pembelajaran mesin untuk mengungkap informasi baru tentang aturan desain dasar protein.

Untuk penelitian ini, mereka mempelajari keluarga enzim metabolik yang bermutasi jantung, sejenis protein yang penting bagi kehidupan di banyak bakteri, jamur dan tumbuhan. Dengan menggunakan model pembelajaran mesin, para peneliti dapat mengungkap aturan desain sederhana di balik protein ini.

Model tersebut menunjukkan bahwa hanya kekekalan pada posisi asam amino dan korelasi dalam evolusi pasangan asam amino yang cukup untuk memprediksi urutan buatan baru yang akan memiliki sifat dari keluarga protein.

“Secara umum kami berasumsi bahwa untuk membangun sesuatu, pertama-tama kami harus memahami cara kerjanya,” kata Ranganathan. “Tetapi jika Anda memiliki cukup contoh data, Anda dapat menggunakan metode pembelajaran mendalam untuk mempelajari aturan desain, bahkan ketika Anda memahami cara kerjanya atau mengapa itu dibuat seperti itu.”

Dia dan kolaboratornya kemudian menciptakan gen sintetis untuk menyandikan protein, mengkloningnya menjadi bakteri, dan mengamati saat bakteri kemudian membuat protein sintetis menggunakan mesin seluler normal mereka. Mereka menemukan bahwa protein buatan memiliki fungsi katalitik yang sama dengan protein alami mutase korismat.

“Kami telah menemukan bahwa data genom mengandung sejumlah besar informasi tentang aturan dasar struktur dan fungsi protein, dan sekarang kami dapat mendorong aturan alam untuk membuat protein. Diri kita sendiri. “

Profesor Rama Ranganathan

Sebuah platform untuk memahami sistem kompleks lainnya

Karena aturan konsepsi sangat relatif sederhana, jumlah protein buatan yang dapat dibuat oleh para peneliti sangat besar.

“Batasannya jauh lebih kecil dari yang kami bayangkan,” kata Ranganathan. “Ada kesederhanaan dalam aturan konsepsi alam, dan kami percaya bahwa pendekatan serupa dapat membantu mencari pola konsepsi dalam sistem kompleks lain dalam biologi, seperti ekosistem atau otak.”

Meskipun kecerdasan buatan telah mengungkapkan aturan konsepsi, Ranganathan dan kolaboratornya bahkan tidak memahami mengapa model tersebut berfungsi. Mereka kemudian akan bekerja untuk memahami bagaimana model sampai pada kesimpulan ini. “Masih banyak pekerjaan yang harus diselesaikan,” katanya.

Sementara itu, mereka juga berharap dapat menggunakan platform ini untuk mengembangkan protein yang dapat mengatasi masalah sosial yang mendesak seperti perubahan iklim. Ranganathan dan Assoc. Profesor Andrew Ferguson mendirikan perusahaan bernama Evozyne yang akan memasarkan teknologi ini dengan aplikasi di bidang energi, lingkungan, katalisis, dan pertanian. Ranganathan bekerja dengan Pusat Kewirausahaan dan Inovasi UChicago Polsky untuk memberikan paten dan IP lisensi kepada perusahaan.

“Sistem ini memberi kita platform untuk rekayasa rasional molekul protein dengan cara yang selalu kita impikan,” katanya. “Tidak hanya dapat mengajarkan kita fisika tentang bagaimana protein bekerja dan bagaimana mereka berevolusi, ini dapat membantu kita menemukan solusi untuk masalah seperti penyerapan karbon dan pemanenan energi. Bahkan lebih umum lagi, studi tentang untuk protein juga dapat membantu mengajari kami seberapa dalam jaringan saraf benar-benar berfungsi di balik pembelajaran mesin modern ”.

Referensi: “Model berbasis evolusi untuk konsepsi enzim korismat yang bermutasi” oleh William P. Russ, Matteo Figliuzzi, Christian Stocker, Pierre Barrat-Charlaix, Michael Socolich, Peter Kast, Donald Hilvert, Remi Monasson, Simona Cocco, Martin Weigt dan Rama Ranganathan, 24 Juli 2020, Ilmu.
DOI: 10.1126 / science.aba3304

Penulis lain di atas kertas termasuk William P. Russ dari University of Texas Southwestern Medical Center; Martin Weigt, Matteo Figliuzzi dan Pierre Barrat-Charlaix dari Sorbonne University; Christian Stocker, Peter Kast, Donald Hilvert dari ETH Zurich; Simona Cocco dan Remi Monasson dari Laboratorium Fisik Ecole Normale Supérieure; dan Michael Socolich dari Universitas Chicago.

Pendanaan untuk penelitian ini disediakan oleh National Institutes of Health, Robert A. Welch Foundation, University of Chicago Center for Data and Computing, Green Center for Systems Biology di University of Texas Southwestern Medical Center, EU H2020 Research and Innovation Program, National Agency Penelitian, dan Yayasan Nasional Swiss untuk Sains.

Related articles

Comments

LEAVE A REPLY

Please enter your comment!
Please enter your name here

Share article

Latest articles

Topan Super Surigae menyulut Pasifik

19 April 2021 Topan super mencapai intensitas ekstrem setahun lebih banyak daripada badai era satelit mana pun. Surigae tidak akan mendarat, tetapi topan yang muncul di...

Mekanisme fotoenzim kunci yang diuraikan

Kesan artis tentang katalisis enzimatik yang diusulkan dalam mekanisme fotodekarboksilase asam lemak (Sains 2021). Kredit: Damien Sorigué Pengoperasian enzim FAP, yang berguna untuk memproduksi...

DOE Mendorong Investasi A.S. yang Agresif dalam Energy Fusion

Sinar laser energi tinggi NIF berkumpul di target di tengah kamera target. Keberhasilan mendapatkan penyalaan fusi akan menjadi langkah maju yang besar dalam...

Fisikawan menciptakan bit kuantum yang dapat mencari materi gelap

Sebuah qubit (persegi panjang kecil) dipasang pada tingkat kebiruan, yang berada di atas jari untuk menunjukkan skala. Ilmuwan di Farmland Universitas Chicago menggunakan...

Ahli paleontologi memperkirakan bahwa 2,5 miliar T. rex menjelajahi Bumi selama periode Kapur

Untuk semua mereka yang terlambatKapur Menurut sebuah studi baru, jumlah total tyrannosaurus yang pernah hidup di Bumi adalah sekitar 2,5 miliar individu, di mana...

Newsletter

Subscribe to stay updated.