Wir haben auch Anzeichen dafür gesehen, dass die Vorhersage der Proteinstruktur bei zukünftigen Pandemiebemühungen nützlich sein könnte, als eines von vielen Werkzeugen, die von der wissenschaftlichen Gemeinschaft entwickelt wurden. Anfang dieses Jahres haben wir mehrere Proteinstrukturen des SARS-CoV-2-Virus vorhergesagt, einschließlich ORF3a, deren Strukturen bisher unbekannt waren. Bei CASP14 haben wir die Struktur eines anderen Coronavirus-Proteins, ORF8, vorhergesagt. Die Strukturen von ORF3a und ORF8 wurden nun durch beeindruckend schnelle Arbeit von Experimentatoren bestätigt. Trotz ihrer herausfordernden Natur und mit sehr wenigen verwandten Sequenzen erreichten wir bei beiden Vorhersagen ein hohes Maß an Genauigkeit im Vergleich zu ihren experimentell bestimmten Strukturen.
Wir beschleunigen nicht nur das Verständnis bekannter Krankheiten, sondern freuen uns auch über das Potenzial dieser Techniken, die Hunderte von Millionen von Proteinen zu erforschen, für die wir derzeit keine Modelle haben – ein riesiges Terrain unbekannter Biologie. Da die DNA die Aminosäuresequenzen spezifiziert, aus denen Proteinstrukturen bestehen, hat die Genomik–Revolution es ermöglicht, Proteinsequenzen aus der Natur in großem Maßstab zu lesen – mit 180 Millionen Proteinsequenzen, die in der Universal Protein Database (UniProt) gezählt werden. Angesichts der experimentellen Arbeit, die erforderlich ist, um von der Sequenz zur Struktur zu gelangen, befinden sich dagegen nur rund 170.000 Proteinstrukturen in der Proteindatenbank (PDB). Unter den unbestimmten Proteinen können einige mit neuen und aufregenden Funktionen sein und – so wie ein Teleskop uns hilft, tiefer in das unbekannte Universum zu sehen – Techniken wie AlphaFold können uns helfen, sie zu finden.
Erschließung neuer Möglichkeiten
AlphaFold ist einer unserer bisher bedeutendsten Fortschritte, aber wie bei jeder wissenschaftlichen Forschung gibt es noch viele Fragen zu beantworten. Nicht jede Struktur, die wir vorhersagen, wird perfekt sein. Es gibt noch viel zu lernen, darunter, wie mehrere Proteine Komplexe bilden, wie sie mit DNA, RNA oder kleinen Molekülen interagieren und wie wir die genaue Position aller Aminosäureseitenketten bestimmen können. In Zusammenarbeit mit anderen gibt es auch viel zu lernen, wie diese wissenschaftlichen Entdeckungen am besten bei der Entwicklung neuer Medikamente, beim Umgang mit der Umwelt und vielem mehr genutzt werden können.
Für uns alle, die wir an computergestützten und maschinellen Lernmethoden in der Wissenschaft arbeiten, zeigen Systeme wie AlphaFold das erstaunliche Potenzial von KI als Werkzeug zur Unterstützung grundlegender Entdeckungen. So wie Anfinsen vor 50 Jahren eine Herausforderung darlegte, die damals weit über die Reichweite der Wissenschaft hinausging, gibt es viele Aspekte unseres Universums, die unbekannt bleiben. Der heute angekündigte Fortschritt gibt uns weitere Zuversicht, dass KI zu einem der nützlichsten Werkzeuge der Menschheit werden wird, um die Grenzen des wissenschaftlichen Wissens zu erweitern, und wir freuen uns auf die vielen Jahre harter Arbeit und Entdeckung, die vor uns liegen!
Bis wir ein Paper zu dieser Arbeit veröffentlicht haben, zitieren Sie bitte:
Hochgenaue Proteinstrukturvorhersage mit Deep Learning
John Jumper, Richard Evans, Alexander Pritzel, Tim Green, Michael Figurnov, Kathryn Tunyasuvunakool, Olaf Ronneberger, Russ Bates, Augustin Žídek, Alex Bridgland, Clemens Meyer, Simon A A Kohl, Anna Potapenko, Andrew J Ballard, Andrew Cowie, Bernardino Romera-Paredes, Stanislav Nikolov, Rishub Jain, Jonas Adler, Trevor Back, Stig Petersen, David Reiman, Martin Steinegger, Michalina Pacholska, David Silber, Oriol Vinyals, Andrew W Senior, Koray Kavukcuoglu, Pushmeet Kohli, Demis Hassabis.In Fourteenth Critical Assessment of Techniques for Protein Structure Prediction (Abstract Book), 30. November – 4. Dezember 2020. Von hier abgerufen.
Wir stehen ganz am Anfang der Erforschung, wie wir es anderen Gruppen am besten ermöglichen können, unsere Strukturvorhersagen zu verwenden, und bereiten ein Peer-Review-Papier für die Veröffentlichung vor. Während unser Team nicht in der Lage sein wird, auf jede Anfrage zu antworten, wenn AlphaFold für Ihre Arbeit relevant sein könnte, senden Sie bitte ein paar Zeilen dazu an [email protected] . Wir werden uns mit Ihnen in Verbindung setzen, wenn weitere Erkundungen möglich sind.