Revolūcija proteīnu izpētē: Kā mākslīgais intelekts rada jaunas molekulas

Pēc AlphaFold2 atzīšanas ar Nobela prēmiju 2024. gadā, zinātnes pasaule ir satriekta par vēl vienu pārsteidzošu atklājumu – PLAID, daudzmodu ģeneratīvais modelis, kas spēj vienlaicīgi radīt gan proteīnu 1D sekvences, gan 3D struktūras. Šis pētījums, kura rezultāti publicēti aiub.org, atver jaunas iespējas gan biomedicīnā, gan biotehnoloģijās.

Kas ir PLAID un kā tas darbojas?

PLAID (no angļu valodas – Protein Latent Diffusion) ir inovatīvs mākslīgā intelekta modelis, kas izmanto proteīnu locīšanas modeļu latentās telpas, lai radītu pilnīgi jaunas molekulas. Atšķirībā no tradicionālajām metodēm, kas koncentrējas tikai uz struktūru prognozēšanu, PLAID spēj gan ģenerēt, gan prognozēt.

Divas revolucionāras funkcijas vienā

1. 1D aminoskābju sekvenču ģenerēšana: Modelis izveido optimālas aminoskābju virknes, kas teorētiski varētu pastāvēt dabā.

2. 3D struktūras veidošana: Vienlaikus ar sekvenci, PLAID paredz, kā šī molekula telpā salokās, veidojot funkcionālu proteīnu.

Kāpēc šis atklājums ir tik nozīmīgs?

Proteīni ir dzīvības pamatakmeņi, un to izpēte vienmēr ir bijusi sarežģīta. Tradicionālās metodes prasa milzīgu laiku un resursus:

• Eksperimentālā kristalogrāfija var aizņemt mēnešus
• Kompjuteru modelēšana bieži vien dod tikai daļēju priekšstatu
• Dabīgo proteīnu pētījumi ir ierobežoti ar esošo daudzveidību

PLAID atrisina šīs problēmas, piedāvājot iespēju ātri un efektīvi izstrādāt jaunas molekulas ar vēlamām īpašībām.

Praktiskās pielietojuma iespējas

1. Zāļu izstrāde: Iespēja ātrāk izveidot proteīnus, kas var saistīt specifiskas molekulas vai ārstēt slimības.

2. Industriālie fermenti: Radīt jaunus fermentus efektīvākai rūpniecībai.

3. Mākslīgie pārtikas proteīni: Potenciāls veidot jaunus pārtikas produktus ar uzlabotām uzturvērtībām.

Tehniskās detaļas: Kā PLAID izmanto latentās difūzijas principus?

Modelis balstās uz divām galvenajām komponentēm:

1. Proteīnu locīšanas modeļu latentā telpa: PLAID apgūst esošo proteīnu datu kopu pamatprincipus, veidojot kompresētu reprezentāciju.
2. Difūzijas process: Izmantojot trokšņa pievienošanas un noņemšanas ciklus, modelis mācās efektīgi ģenerēt jaunus datus šajā latentajā telpā.

Šī kombinācija ļauj sistēmai ne tikai atpazīt, bet arī radīt reālistiskas proteīnu variācijas, kas saglabā dabiskās īpašības.

Salīdzinājums ar AlphaFold2

Kamēr AlphaFold2 revolucionēja proteīnu struktūru prognozēšanu, PLAID iet soli tālāk:

Nākotnes perspektīvas un izaicinājumi

Lai gan PLAID atver jaunas iespējas, zinātnieki norāda uz vairākiem izaicinājumiem:

• Bioloģiskā derīguma pārbaude: Ģenerētie proteīni jāpārbauda laboratorijās
• Ētiskie jautājumi: Jaunu molekulu radīšana var radīt neparedzētus riskus
• Aprēķinu jaudas prasības: Modeļa apmācība prasa milzīgus resursus

Tomēr potenciāls ir milzīgs. Nākamajos gados varētu redzēt pirmos praktiskos pielietojumus medicīnā un rūpniecībā, kas mainīs mūsu uztveri par biotehnoloģijām.

Kā šī tehnoloģija varētu mainīt Latviju?

Latvijai ar tās spēcīgo biozinātņu tradīcijām PLAID varētu dot unikālas iespējas:

1. Vietējo pētnieku iesaiste starptautiskos projektos
2. Jaunu augsti tehnoloģisku uzņēmumu veidošana
3. Specializētu izglītības programmu attīstība

Šis atklājums varētu kļūt par katalizatoru Latvijas pārejai uz zināšanu ekonomiku, īpaši bioinformātikas un biotehnoloģiju jomās.

Avots: https://aihub.org/2025/04/14/repurposing-protein-folding-models-for-generation-with-latent-diffusion/