Pelnas:
- Galimybė įvertinti AlphaFold struktūros prognozes naudojant pLDDT pasitikėjimo balą ir išvengti teiginių, pagrįstų žemo patikimumo regionais
- Galimybė interpretuoti prijungimo balą kaip santykinį reitingą, o ne absoliutų giminingumą, ir patikrinti kandidatus eksperimentiniu giminingumo matavimu
- Galimybė filtruoti produktyvių molekulių pasiūlymus per sintezuojamumą, stabilumą ir biologinį saugumą ir susieti kritines prognozes su šlapiuoju testu
Norint suprasti, ką veikia baltymas, būtina žinoti jo trimatę formą; Kadangi struktūra lemia funkciją – fermento katalizinę kišenę, receptorių rišantis paviršius visada atsiranda dėl jo trimatės formos. Dešimtmečius baltymo struktūrai atskleisti prireikė mėnesių eksperimentų (rentgeno kristalografija, krio-EM). AlphaFold ir panašūs dirbtinio intelekto modeliai pakeitė šį vaizdą: jie gali tiksliai per minutes nuspėti trimatę baltymo struktūrą iš aminorūgščių sekos. Tai yra revoliucinė bioinžinerijoje; Tačiau revoliucijos ribų žinojimas yra sąlyga saugiam naudojimui.
Šiame skyriuje išmoksite naudoti dirbtinį intelektą struktūrų numatymo, molekulinio prijungimo (skaičiuojant, kaip ir kaip stipriai maža molekulė jungiasi su baltymu) ir molekulių projektavimo darbo eigose; Kiekviename žingsnyje sužinosite, kur baigiasi numatymas ir prasideda eksperimentas.
AlphaFold: galia ir riba
AlphaFold (gilaus mokymosi modelis, numatantis 3D struktūrą pagal baltymų seką) su kiekviena prognoze sukuria patikimumo balą (pLDDT – vertė nuo 0 iki 100, nurodanti, kiek patikimas modelis yra kiekvienai aminorūgščiai). Aukštas pLDDT (>90) paprastai yra patikimas; Žemi regionai (<50) dažnai yra netvarkingi regionai – lanksčios baltymo dalys, kurios neturi fiksuotos struktūros – arba sritys, kuriose modelis yra neaiškus. AlphaFold ribos, kurias turi žinoti, yra tai, kad ji suteikia vieną statinę struktūrą (ne baltymų judėjimą), nemodeliuoja ligando (mažos molekulės prisijungimo prie baltymo) ar metalo jonų efektų, ne visada užfiksuoja subtilų mutacijų poveikį ir negarantuoja, ar susiformuos kompleksas.
Atsargiai: AlphaFold yra numatoma hipotezė, o ne eksperimentinė konstrukcija. Teigti mechanizmą, pagrįstą žemo pLDDT regionais arba nustatyti narkotikų kišenę šiuose regionuose, yra klaidinanti. Kritinės struktūros turi būti patvirtintos eksperimentiniu metodu (kristalografija, krio-EM).
Prijungimas: numatantis prijungimą
Pagrindinis vaistų ir fermentų inžinerijos klausimas yra: "Ar ši molekulė jungiasi su šiuo baltymu ir kaip stipriai?" Prijungimas apskaičiuoja tai ir reitinguoja jį naudodamas balų funkciją – apytikslį matematinį modelį, įvertinantį surišimo stiprumą. Tačiau prijungimo balai yra santykiniai ir nenumato tikrojo surišimo afiniteto; Klaidingai teigiamų rezultatų rodiklis yra didelis. Nauji AI pagrįsti metodai padaro prijungimą greitesnį ir tikslesnį, tačiau rezultatas vis tiek yra nuskaitymo seka – patikrinta eksperimentiniu giminingumo matavimu (pvz., SPR, ITC).
Patarimas: naudokite prijungimą, norėdami sekti tūkstančius molekulių prieš eksperimentuodami, o ne siekdami absoliutaus „surišimo / nesurišimo“ sprendimo. 50 daugiausiai balų surinkusių molekulių sintetinimas ir išbandymas yra daug efektyvesnis nei 50 atsitiktinės atrankos testavimas; Tačiau patirtis lemia.
Molekulinis dizainas ir generaciniai modeliai
Generatyvieji modeliai – AI, galintys „sukurti“ naujas baltymų sekas ar mažas molekules – gali pasiūlyti kandidatų molekules su norimomis savybėmis: stabilesnį fermentą, naują vaistų karkasą, kuris jungiasi su taikiniu. Tai yra galinga, tačiau ji turi du spąstus: modelis gali pasiūlyti nesintezuojamas (chemiškai neįmanomas gaminti) molekules arba nerealias sekas. Štai kodėl produktyvūs rezultatai visada filtruojami pagal sintezuojamumą, stabilumą ir saugumą.
trys mini dėklai
1 atvejis – sąmata buvo pagrįsta struktūra. Fermentų inžinierių komanda dirbo be eksperimentinės tikslinio fermento struktūros. AlphaFold nurodė numatomą aktyviąją vietą – sritį, kurioje fermentas vykdo cheminę reakciją; Komanda sukūrė 3 mutacijas šiame regione. Eksperimento metu vienas padidino aktyvumą 2,3 karto. Tačiau dvi mutacijos neveikė – numatė, nutarė eksperimentas.
2 atvejis – žemo patikimumo zonos spąstai. Studentas norėjo pritvirtinti vaistus prie AlphaFold struktūros „kišenės“. Žvelgdamas į pLDDT žemėlapį, jis pamatė, kad ši sritis yra mažai saugi, galbūt netvarkinga sritis, kurios balai buvo 38. Perkeltas į saugią zoną; buvo išvengta mėnesių švaistymo netinkamam tikslui.
3 atvejis. Nesintezuojamas pasiūlymas. Generatyvus modelis pasiūlė 200 molekulių, kurios jungiasi su taikiniu aukštu balu. Kai chemikas jį išfiltravo, jis nustatė, kad 40% jo praktiškai neįmanoma susintetinti arba bus nestabili. Kai likęs kandidatų skaičius tapo realus, buvo susintetinta 12.
Keturi kopijuojami šablonai
1) AlphaFold išvesties komentaras:
Jūsų vaidmuo: struktūrinis biologas. Pateiksiu AlphaFold prognozės pLDDTscore santrauką. Atskirkite, kurie regionai yra patikimi (>90), o kurie įtartini (<50). Nenustatykite jokių mechanizmų teiginių, pagrįstų žemo pasitikėjimo zonomis. Spaudinyje parašykite, kad tai nėra eksperimentinė versija ir kaip tai patikrinti.
2) Prijungimo darbo eigos planas:
Jūsų vaidmuo: skaičiavimo chemikas. Apibūdinkite [tikslinio baltymo] mažų molekulių prijungimo darbo eigą: baltymų paruošimą, rišamosios kišenės apibrėžimą, ligandų paruošimą, taškų skaičiavimą, sekos nustatymą. Paaiškinkite, kad prijungimo balas NĖRA absoliutus giminingumas ir kokiu eksperimentiniu metodu (SPR/ITC) jis bus patikrintas.
3) Mutacijos dizaino pagrindimas:
Norėčiau pasiūlymų dėl mutacijų, kurios padidintų fermento stabilumą. Kiekvienai rekomendacijai: tikslinė pozicija, loginis pagrindas (struktūrinė logika) ir galima rizika (aktyvumo praradimas). Pabrėžkite, kad tai yra spėjimai ir kiekvienas turi būti išbandytas eksperimentu. Pateikite iki 5 pasiūlymų ir nustatykite prioritetus.
4) Produktyvus išvesties filtravimas:
Pateikite man generatyvaus modelio siūlomus molekulių vertinimo kriterijus: sintezuojamumą, cheminį stabilumą, toksiškumo požymius (struktūrinius įspėjimus), molekulinę masę ir tirpumą. Nurodykite slenkstį, kurį pasiekus „turėčiau pašalinti“ pagal kiekvieną kriterijų. Tai išankstinis filtras; Galutinis sprendimas priklauso šlapiajai laboratorijai.
Silpnas raginimas / Stiprus raginimas
Silpnas raginimas:
Sukurkite vaistą, kuris prisijungtų prie šio baltymo.
Jokio saugumo, jokio sintezavimo, jokio patikrinimo; AI sukuria nerealią, nepatikrinamą išvestį.
Galingas raginimas:
Jūsų vaidmuo: skaičiavimo chemikas. Pasiūlykite ATKRINIMO strategiją (pagrįstą prijungimu) mažų molekulių karkasams, kurie gali prisijungti prie [tikslinio] baltymo. Negaminkite betono molekulių; vietoj to žingsnis po žingsnio apibūdinkite, kurią biblioteką, kokią kišenę, kokį įvertinimą ir kokius filtrus naudoti, ir kaip patvirtinti kiekvieną kandidatą eksperimentiniu ryšiu.
Skirtumas: strategijos dėmesys, tikroviška apimtis, aiškus patvirtinimas ir saugumo supratimas.
Struktūrizuota darbo eiga ir patvirtinimas
žingsnis
AI indėlis
siena
patikrinimas
Struktūros numatymas
AlphaFold 3D modelis
Statinis, be ligando
Krio-EM/kristalografija
Pasitikėjimo įvertinimas
pLDDT komentaras
Žema zona neaiški
Nepriklausomas modelių palyginimas
prijungimas
greitas rūšiavimas
Balas ≠ giminingumas
SPR/ITC matavimas
mutacijų dizainas
Kandidato rekomendacija
Poveikio įvertinimas
veiklos eksperimentas
molekulių gamyba
naujas kandidatas
Sintezė/stabilumas
Chemikas + šlapias testas
Molekulinė dinamika: aktyvuojanti struktūra
AlphaFold suteikia jums vieną užšaldytą nuotrauką; Tačiau baltymai yra mašinos, kurios nuolat juda, vibruoja, jų kišenės atsidaro ir užsidaro. Molekulinės dinamikos modeliavimas (MD – kompiuterinis molekulės atomų judėjimo apskaičiavimas laikui bėgant pagal Niutono fizikos dėsnius) daro šį judėjimą matomą: ar vaistų kišenė iš tikrųjų yra atvira, kaip mutacija keičia lankstumą, ar surišimas išlieka stabilus. AI padeda planuoti MD sąranką (jėgos lauko pasirinkimas, vandens dėžė, pusiausvyros žingsniai) ir apibendrinti rezultatus, tačiau fizinis modeliavimo pagrįstumas (pakankamai laiko, teisingas jėgos laukas) yra ekspertų sprendimas. Trumpas arba netinkamai sukonstruotas modeliavimas duoda rezultatą, kuris atrodo tikras, bet fiziškai beprasmis.
Patarimas: prieš pasitikėdami MD modeliavimo rezultatu, užduokite du klausimus: ar modeliavimas pakankamai ilgas (ar sistema pasiekė pusiausvyrą) ir ar kartojama (su skirtinga pradine sėkla) elgsis taip pat? Vienas trumpas modeliavimas rodo tendenciją, o ne įrodymus.
Dažnos klaidos
- Darant prielaidą, kad struktūra yra tikra, nežiūrint į pLDDT. Teiginiai, pagrįsti žemomis saugos zonomis, yra klaidinantys.
- Prijungimo balo klaidinimas kaip giminingumo matavimas. Rezultatas yra santykinis; Tam reikia eksperimentuoti.
- Statinės struktūros painiojimas su dinamine tikrove. Baltymai juda; Viena struktūra nepasako visos istorijos.
- Priimami pasiūlymai dėl nesintetinamų molekulių. Produktyvi produkcija turi praeiti per cheminį filtrą.
- Saugumas / dvejopo naudojimo aklumas. Prašymai sukurti toksinus ar kenksmingas medžiagas turėtų būti atmesti.
Apibendrinant
AlphaFold ir prijungimas yra galingi AI įrankiai, pagreitinantys baltymų inžineriją ir vaistų atradimą; Struktūros numatymas rodo kelią, prijungimas surūšiuoja tūkstančius molekulių, generaciniai modeliai siūlo naujus kandidatus. Tačiau visko rezultatas yra hipotezė: perskaitykite pLDDT pasitikėjimo balus, nesupainiokite doko balo su giminingumu, nepainiokite statinės struktūros su dinamine tikrove ir patikrinkite kiekvieną kritinį kandidatą eksperimentiškai. Sintetinamumas, saugumas ir dvejopo naudojimo supratimas yra būtini molekulių kūrime.
Taikymo užduotis
Raskite viešai prieinamos baltymų sekos struktūros prognozę AlphaFold duomenų bazėje (arba internetiniame serveryje). Išnagrinėkite pLDDT žemėlapį ir atskirkite saugius ir įtartinus regionus. Tada pakomentuokite AI apie aktyvią šio baltymo vietą ir palyginkite kiekvieną teiginį su pLDDT žemėlapiu: ar teiginys pagrįstas žemo patikimumo regionu? Įvertinkite rezultatą vienoje pastraipoje.
kontrolinis sąrašas
- [ ] Struktūros prognozę įvertinau kartu su pLDDT pasitikėjimo balu.
- [ ] Vengiau teiginių, pagrįstų žemo pasitikėjimo regionais.
- [ ] Prijungimo balą interpretavau kaip santykinį reitingą, o ne absoliutų giminingumą.
- [ ] Pastebėjau, kad statinė struktūra neatspindi dinaminio elgesio.
- [ ] Išfiltravau produktyvių molekulių pasiūlymus pagal sintezuojamumą ir saugumą.
- [ ] Kiekvieną kritinę prognozę susiejau su eksperimentiniu patikrinimo planu.