Улучшенные версии каротиноидного белка перспективны для защиты сетчатки глаза |
||
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2024-11-30 14:45 Белок AstaP, впервые найденный в зелёных микроводорослях, связывает каротиноиды — вещества с выдающейся антиоксидантной активностью, — и способен переносить их в клетки сетчатки, что в перспективе может помочь защитить её от возрастных изменений. Однако природный вариант AstaP не является оптимальным для подобной задачи. Сотрудники ФИЦ Биотехнологии РАН, МФТИ и биологического факультета МГУ впервые показали, как при помощи искусственного интеллекта и нейросетей можно изменить структуру белка AstaP, чтобы улучшить его свойства. Важно, что за основу была взята единственная доступная модель структуры белка AstaP, полученная с помощью метода спектроскопии ядерного магнитного резонанса. Свой оригинальный подход реинженерии белков на основе их ЯМР-структур исследователи представили в статье на страницах престижного журнала Protein Science. Нейросети, предсказывающие структуры молекул, переживают настоящий бум: за разработку алгоритма AlphaFold, который предсказывает пространственную структуру белка по его аминокислотной последовательности, а также за подходы к дизайну белков, в этом году присудили Нобелевскую премию по химии. Модели машинного обучения помогают «спроектировать на заказ» лекарственные молекулы, растворимые аналоги белков из клеточных мембран, нанопоры желаемой формы и различные ферменты. Алгоритмы MPNN (message passing neural network, что переводится как «нейросеть, передающая сообщения») способны предсказывать последовательность аминокислот в молекуле белка по координатам атомов её «скелета». «Посоветованные» нейросетью белки часто оказываются более стабильными, растворимыми или простыми в получении. Российские учёные использовали нейросеть этого типа, чтобы улучшить свойства белка AstaP (сокращение от astaxanthin-binding protein, что переводится как «белок, связывающий астаксантин»). «Недавно мы обнаружили, что антиоксидантное действие каротиноидов, доставляемых природным белком AstaP, снижает вред от гранул пигмента липофусцина. Этот пигмент накапливается в клетках и становится одной из причин возрастной дегенерации сетчатки, ответственной примерно за половину случаев слепоты. Оптимизация структуры AstaP под задачи, связанные с доставкой каротиноидов, в перспективе может помочь пожилым людям сохранять зрение», — поясняет Николай Случанко, заведующий лабораторией белок-белковых взаимодействий ФИЦ Биотехнологии РАН. Алгоритмы MPNN работают достаточно просто, надёжно и быстро, рассчитывая структуры молекул по кристаллографическим данным с точностью выше 50 %. Однако белки AstaP не удается закристаллизовать и таким образом определить их пространственную структуру, а единственная модель структуры этого белка в комплексе с молекулой астаксантина была получена методом ЯМР-спектроскопии. Авторы исследования предложили новый подход к расчётам, чтобы более эффективно использовать алгоритмы машинного обучения на основе MPNN в работе с данными ЯМР. В результате исследователям удалось создать новые белки, получившие названия NeuroAstaP. Четыре из пяти предсказанных вариантов не только сохранили функциональность природного белка AstaP как «в пробирке», так и внутри клеток, но и обладали рядом преимуществ, в частности уменьшенным размером, совпадая с последовательностью природного белка только на 40 %. «В структурах ЯМР, в силу особенностей метода, могут быть некоторые паттерны, затрудняющие использование популярных алгоритмов типа MPNN. До сих пор до конца не понятно, с чем это связано. Нейронные сети в основе популярных алгоритмов для белковой инженерии обычно обучаются на структурах, полученных при помощи кристаллографии и электронной микроскопии. Предложенный нами подход на основе пошагового улучшения численных характеристик моделей и компьютерного подтверждения промежуточных результатов позволяет применять эти же алгоритмы к данным ЯМР без дополнительного переобучения, и тем самым расширяет набор инструментов для рациональной инженерии белковых молекул для применения в задачах медицины и биотехнологии», — подытоживает Иван Гущин, заведующий лабораторией структурного анализа и инжиниринга мембранных систем МФТИ. Источник: ФИЦ Биотехнологии РАН. https://new.ras.ru/activities/news/uluchshennye-versii-karotinoidnogo-belka-perspektivny-dlya-zashchity-setchatki-glaza/ Источник: new.ras.ru Комментарии: |
|