Že se technologie umělé inteligence používá k navrhování různých proteinů, je všeobecně známý fakt. Vědci zkoušejí vytvářet malé jednotky bílkovin, které následně složitě vážou do rozsáhlých struktur. A ačkoliv tato metoda dokázala vytvořit třeba vakcínu proti covidu, celý proces byl až dosud do velké míry limitován právě dostupností jednotlivých malých částí proteinů.
Tento měsíc ale tým vedený Davidem Bakerem z Washingtonské univerzity posunul proteinový design na zcela novou úroveň. Vědci totiž využili algoritmu strojového učení k vytvoření proteinových komplexů, které jsou přizpůsobené konkrétním biologickým reakcím. Místo velkého množství malých částí jim tedy stačilo vytvořit jednu rozsáhlejší strukturu, v níž bylo obsaženo vše potřebné.
Úplně jiná úroveň
Podle pokynů vědců umělá inteligence navrhla třeba 20stranný obal, který napodobil vnější ochrannou vrstvu virů. Obal byl posetý imunostimulačními proteiny z chřipkového viru, jenž dokázal u myší vyvolat silnou imunitní reakci, která v klinických studiích překonala všechny ostatní kandidáty na vakcínu.
Umělá inteligence by však nemusela sloužit jen k návrhu vakcín. Stejná strategie by mohla vytvořit i kompaktnější a účinnější nosiče třeba pro genové terapie nebo zvládnout přenos protilátek či jiných léků, které potřebují zvláštní ochranu před okamžitým rozkladem v těle. Nejdůležitějším závěrem americké studie je nicméně fakt, že poprvé prokázala možnost navrhovat ve velkém měřítku složité proteinové designy.
„Je ohromující, že to někdo dokázal. Evoluci trvalo miliardy let, než navrhla jednotlivé proteiny, jež byly schopné se vzájemně propojit. Kdybychom dokázali navrhnout celé struktury, které by do sebe dobře zapadaly, posunulo by nás to na úplně jinou úroveň,“ řekl podle webu Singularity Hub Martin Noble z Univerzity v Newcastlu, jenž se však na výzkumu nepodílel.
Algoritmus zkoumá všechna možná řešení
Jádrem nové studie je takzvané posílené učení. To znamená, že se umělá inteligence zdokonaluje pomocí svých vlastních pokusů a omylů. Tento princip už byl použit u mnoha předchozích nástrojů, jako byl třeba AlphaGo, který dokázal zvítězit v deskové hře Go nad mistrem světa. V poslední době pak posílené učení urychluje pokrok v samořídicích automobilech, a dokonce vyvíjí lepší algoritmy zefektivněním základních výpočtů.
V nové studii tým využil typ výukového algoritmu nazvaného Monte Carlo Tree Search (MCTS). Jeho název odkazuje na to, že algoritmus funguje podobně jako takzvaný rozhodovací strom. V každém bodě tedy umělá inteligence vyzkouší všechna možná řešení a následně zkoumá, jaké z nich vedlo k nejlepšímu výsledku.
Pro začátek dali vědci MCTS k dispozici miliony proteinových fragmentů se specifickými stavebními cíli. Jejich množství bylo přitom velmi pečlivě zváženo, aby došlo k ideální rozmanitosti konečného proteinu a zároveň aby potřebné výpočty netrvaly příliš dlouho. Pokud se tedy podařilo vytvořit protein, který se úspěšně zapojil do celé struktury, algoritmus si zapamatoval způsob vedoucí k jeho vzniku a následně se proces snažil zopakovat s jinými fragmenty. Celý postup se odehrál více než desetitisíckrát, neboť jedině tak se podařilo vědci dosáhnout co možná nejlepšího designu.
Po skončení této fáze testování dostali výzkumníci k dispozici výkonný algoritmus, který dokázal navrhovat proteiny na základě jejich specifického zadání. V následných zkouškách pak umělá inteligence vytvořila řadu proteinových struktur od hranolů po pyramidy, přičemž každá z nich podle potřeby vyplnila specifický prostor. „Náš přístup je jedinečný a má potenciál transformovat typy molekul, jež dokážeme vytvořit,“ řekl autor studie Isaac Lutz.
Mnohem vyšší účinnost
Jedním ze stovek vyrobených proteinů byla třeba unikátní dutá skořepina nazývaná kapsida. Tato struktura připomínala ochrannou proteinovou vrstvu pro viry, která je často používaná jako vodítko pro vytváření vakcín. Skořápky generované umělou inteligencí ale obsahovaly větší množství připojovacích bodů, což jim pomohlo potřebné buňky lépe ukotvit, díky čemuž bylo následně i snazší dostat dovnitř léky či jiné biologické materiály.
I přes extrémně malou velikost, která dosahuje přibližně deseti nanometrů, je struktura velmi účinná. Nová kapsida totiž byla oproti dříve zkoušeným nanočásticím více než 10krát účinnější. „To otevírá možnosti potenciální aplikace při léčbě cukrovky, poranění mozku, mrtvice či dalších případů, kdy jsou ohroženy krevní cévy,“ podotkla spoluautorka studie Hannele Ruohola-Bakerová.
Prozatím je umělá inteligence stále v rané fázi svého vývoje, přesto už má za sebou opravdu pozoruhodné výsledky. „Naše struktury se liší od jakýchkoli dříve navržených nebo přirozeně se vyskytujících struktur. Díky malé velikosti, ale velké nosné kapacitě však můžeme komponenty pro úpravu genů celkem efektivně převážet,“ uvedl tým amerických výzkumníků.
