Нейронная сеть помогает создать новый белок

Гибкий подход, основанный на языке, оказывается удивительно эффективным при решении трудноразрешимых проблем материаловедения.

Американский институт физики

Изображение: Примеры визуализаций дизайнерских белковых биоматериалов, созданных с использованием нейронной сети с графовым преобразователем, которая может понимать сложные инструкции, а также анализировать и проектировать материалы из их основных строительных блоков.посмотреть больше

Кредит: Маркус Бюлер

ВАШИНГТОН, 29 августа 2023 г. – Белки, обладающие сложной структурой и динамическими функциональными возможностями, выполняют множество биологических задач, используя уникальное расположение простых строительных блоков, где геометрия имеет ключевое значение. Преобразование этой почти безграничной библиотеки механизмов в соответствующие функции может позволить исследователям создавать собственные белки для конкретных целей.

В журнале прикладной физики издательства AIP Publishing Маркус Бюлер из Массачусетского технологического института объединил нейронные сети внимания, часто называемые преобразователями, с нейронными сетями графов для лучшего понимания и проектирования белков. Этот подход объединяет сильные стороны геометрического глубокого обучения с преимуществами языковых моделей не только для прогнозирования свойств существующих белков, но и для создания новых белков, которые природа еще не создала.

«Благодаря этому новому методу мы можем использовать все, что изобрела природа, в качестве основы знаний, моделируя основные принципы», — сказал Бюлер. «Модель объединяет эти естественные строительные блоки для достижения новых функций и решения подобных задач».

Из-за своей сложной структуры, способности выполнять несколько задач и склонности к изменению формы при растворении белки, как известно, очень трудно моделировать. Машинное обучение продемонстрировало способность переводить наномасштабные силы, управляющие поведением белков, в рабочие структуры, описывающие их функции. Однако пойти другим путем — превратить желаемую функцию в белковую структуру — остается непростой задачей.

Чтобы преодолеть эту проблему, модель Бюлера превращает числа, описания, задачи и другие элементы в символы, которые могут использовать его нейронные сети.

Сначала он обучил свою модель прогнозировать последовательность, растворимость и строительные блоки аминокислот различных белков на основе их функций. Затем он научил его проявлять творческий подход и генерировать совершенно новые структуры после получения исходных параметров для функции нового белка.

Этот подход позволил ему создать твердые версии антимикробных белков, которые раньше приходилось растворять в воде. В другом примере его команда взяла природный протеин шелка и преобразовала его в различные новые формы, в том числе придав ему форму спирали для большей эластичности или складчатую структуру для дополнительной прочности.

Модель выполнила многие из основных задач по разработке новых белков, но Бюлер сказал, что этот подход может включать еще больше входных данных для большего количества задач, что потенциально сделает его еще более мощным.

«Большим сюрпризом стало то, что модель работала исключительно хорошо, хотя она была разработана для решения множества задач. Вероятно, это связано с тем, что модель учится большему, рассматривая разнообразные задачи», — сказал он. «Это изменение означает, что вместо создания специализированных моделей для конкретных задач исследователи теперь могут мыслить широко с точки зрения многозадачных и мультимодальных моделей».

Широкий характер этого подхода означает, что эту модель можно применять во многих областях, помимо проектирования белков.

«Хотя в настоящее время мы сосредоточены на белках, этот метод имеет огромный потенциал в материаловедении», — сказал Бюлер. «Мы особенно заинтересованы в изучении поведения материалов при разрушении, стремясь разработать материалы с конкретными моделями отказов».

###

Статья «Генеративная предобученная авторегрессионная нейронная сеть на графе-трансформаторе, применяемая для анализа и открытия новых белков» написана Маркусом Бюлером. Он появится в журнале Journal of Applied Physics 29 августа 2023 г. (DOI: 10.1063/5.0157367). После этой даты доступ к нему можно будет получить по адресу https://doi.org/10.1063/5.0157367.