Добивки:
- Способност да се проценат предвидувањата на структурата AlphaFold со резултатот на доверба на pLDDT и да се избегнат тврдењата засновани на региони со ниска доверба
- Способност да се интерпретира резултатот за приклучување како релативно рангирање, а не како апсолутен афинитет и да се потврдат кандидатите со експериментално мерење на афинитетот
- Способност да се филтрираат предлозите за продуктивни молекули преку синтетизираност, стабилност и биосигурност и да се поврзат критичните предвидувања со влажното тестирање
За да се разбере што прави протеинот, неопходно е да се знае неговата тридимензионална форма; бидејќи структурата ја одредува функцијата - каталитичкиот џеб на ензимот, врзувачката површина на рецепторот секогаш произлегува од неговата тридимензионална форма. Со децении, за откривање на структурата на протеинот беа потребни месеци експерименти (кристалографија со рендген, крио-ЕМ). AlphaFold и сличните модели на вештачка интелигенција ја променија оваа слика: тие можат да ја предвидат тродимензионалната структура на протеинот од низа аминокиселини со висока точност за неколку минути. Ова е револуционерно за биоинженерството; Но, познавањето на границите на револуцијата е услов за безбедно користење.
Во оваа единица, ќе научите како да користите вештачка интелигенција во предвидување на структурата, молекуларно приклучување (пресметување како и колку силно мала молекула се врзува за протеин) и работни текови за дизајнирање на молекулите; На секој чекор ќе научите каде завршува предвидувањето и каде започнува експериментот.
AlphaFold: моќ и ограничување
AlphaFold (модел за длабоко учење кој предвидува 3D структура од протеинска секвенца) произведува резултат на доверба (pLDDT - вредност од 0 до 100 што покажува колку е сигурен моделот за секоја амино киселина) со секое предвидување. Високиот pLDDT (>90) е генерално сигурен; Ниските региони (<50) се често нарушени региони - флексибилни делови од протеин кои немаат фиксна структура - или области каде што моделот е неизвесен. Границите што треба да ги знае AlphaFold се дека дава единствена статичка структура (не движење на протеините), не моделира лиганд (се врзува за мала молекула за протеин) или ефекти на метални јони, не секогаш го доловува суптилниот ефект на мутациите и не гарантира дали ќе се формира комплекс.
Внимание: AlphaFold е предвидена хипотеза, а не експериментална конструкција. Тврдењето механизам заснован на региони со низок pLDDT или идентификување на џеб за лекови во овие региони е погрешно. Критичните структури мора да се потврдат со експериментален метод (кристалографија, крио-ЕМ).
Докинг: предвидување приклучување
Основното прашање во инженерството на лекови и ензими е: „Дали оваа молекула се врзува за овој протеин и колку силно?“ Docking го пресметува ова и го рангира со функција на бодување - приближен математички модел кој ја проценува силата на врзувањето. Но, оценките за приклучување се релативни и не предвидуваат вистински сврзувачки афинитет; Стапката на лажно позитивни е висока. Новите методи засновани на вештачка интелигенција го прават приклучувањето побрзо и попрецизно, но резултатот сепак е низа на скенирање - потврдена со експериментално мерење на афинитетот (како SPR, ITC).
Совет: Користете докинг за да секвенционирате илјадници молекули пред експериментирање, а не за апсолутна одлука за „врзување/не-врзување“. Синтетизирањето и тестирањето на 50-те молекули со највисоки резултати е многу поефикасно од тестирањето на 50-те по случаен избор; Но, искуството одлучува.
Молекуларен дизајн и генеративни модели
Генеративните модели - ВИ што може да „дизајнираат“ нови протеински секвенци или мали молекули - можат да предложат кандидатски молекули со посакуваните својства: постабилен ензим, ново скеле за лекови што се врзува за целта. Ова е моќно, но има две стапици: моделот може да сугерира несинтетизирани (хемиски невозможно да се произведат) молекули или нереални секвенци. Затоа продуктивните резултати секогаш се филтрираат преку синтетизирање, стабилност и безбедност.
три мини футроли
Случај 1 - Структурата ја водела проценката. Ензимски инженерски тим работеше без експериментална структура на целниот ензим. AlphaFold укажа на предвидената активна локација - областа каде што ензимот ја спроведува хемиската реакција; Тимот дизајнираше 3 мутации во овој регион. Во експериментот, една ја зголеми активноста за 2,3 пати. Но, две мутации не работеа - прогнозата доведе, одлучи експериментот.
Случај 2 - Замка за зона со ниска доверба. Студент сакал да прикачи лек на „џеб“ во структурата AlphaFold. Гледајќи ја мапата на pLDDT, тој виде дека областа е нискобезбедна, можеби неуредно област со оценка од 38. беше спречено губењето месеци на погрешна цел.
Случај 3 - Несинтетизирачки предлог. Генеративен модел предложи 200 молекули кои се врзуваат за цел со висок резултат. Кога хемичарот го филтрирал, открил дека 40% од него не може практично да се синтетизира или би биле нестабилни. Откако преостанатиот базен на кандидати стана реален, 12 беа синтетизирани.
Четири шаблони за копирање
1) Излезен коментар AlphaFold:
Вашата улога: структурен биолог. Ќе ви го дадам резимето на pLDDTscore на предвидувањето AlphaFold. Разграничете кои региони се сигурни (>90) и кои се сомнителни (<50). Не воспоставувајте никакви тврдења за механизми врз основа на зони со ниска доверба. Напишете во вашиот отпечаток дека ова не е експериментална верзија и како да ја потврдите.
2) План за работниот тек на приклучување:
Вашата улога: пресметковен хемичар. Опишете го работниот тек на приклучување на малата молекула за [целен протеин]: подготовка на протеини, дефиниција за врзувачки џеб, подготовка на лиганд, бодирање, секвенционирање. Објаснете дека резултатот за приклучување НЕ е апсолутен афинитет и со кој експериментален метод (SPR/ITC) ќе се потврди.
3) Оправдување за дизајн на мутација:
Би сакал предлози за мутации за зголемување на стабилноста на ензимот. За секоја препорака: целна позиција, образложение (структурна логика) и можен ризик (губење на активност). Посочете дека ова се претпоставки и секој мора да се тестира со експеримент. Дајте до 5 предлози и поставете приоритет.
4) Продуктивно филтрирање на излезот:
Дајте ми ги критериумите за евалуација на молекулите предложени од генеративен модел: синтетизираност, хемиска стабилност, потписи за токсичност (структурни предупредувања), молекуларна тежина и растворливост. Кажете ми го прагот на кој „треба да го елиминирам“ за секој критериум. Ова е пред-филтер; Конечната одлука е на влажната лабораторија.
Слаб промпт / Силен промпт
Слаба навестување:
Дизајнирајте лек кој се врзува за овој протеин.
Без сигурност, без синтетизирање, без верификација; ВИ произведува нереален, непроверлив излез.
Моќен потсетник:
Вашата улога: пресметковен хемичар. Предложете стратегија за СКРИНИНГ (заснована на приклучување) за мали молекули скелиња кои имаат потенцијал да се врзат за [целниот] протеин. Не произведувајте бетонски молекули; наместо тоа, опишете чекор по чекор која библиотека, кој џеб, кој резултат и кои филтри да се користат, и како да се потврди секој кандидат со експериментален афинитет.
Разликата: фокус на стратегијата, реален опсег, експлицитна валидација и безбедносна свест.
Структуриран работен тек и валидација
чекор
Придонес за вештачка интелигенција
граница
верификација
Предвидување на структурата
AlphaFold 3D модел
Статични, без лиганд
Крио-ЕМ/кристалографија
Проценка на довербата
pLDDT коментар
Ниската зона нејасна
Независна споредба на модели
докинг
брзо сортирање
Оценка ≠ афинитет
SPR/ITC мерење
дизајн на мутација
Препорака на кандидатот
Проценка на влијанието
експеримент со активност
производство на молекули
нов кандидат
Синтеза/стабилност
Хемичар + влажен тест
Молекуларна динамика: активирачка структура
AlphaFold ви дава единствена, замрзната фотографија; Сепак, протеините се машини кои постојано се движат, вибрираат, нивните џебови се отвораат и затвораат. Симулацијата на молекуларна динамика (MD - компјутерска пресметка на движењето на атомите на молекулата со текот на времето според Њутновите закони за физика) го прави ова движење видливо: дали џебот за лекови е навистина отворен, како мутацијата ја менува флексибилноста, дали врзувањето останува стабилно. Вештачката интелигенција помага во планирањето на поставувањето на MD (избор на поле на сила, кутија за вода, чекори за рамнотежа) и сумирање на резултатите, но физичката валидност на симулацијата (доволно време, точно поле на сила) е експертска проценка. Кратка или неправилно конструирана симулација дава резултат кој изгледа реален, но е физички бесмислен.
Совет: Пред да му верувате на резултатот од симулацијата на MD, поставете две прашања: дали симулацијата е доволно долга (дали системот достигна рамнотежа) и дали го дава истото однесување кога се повторува (со различно почетно семе)? Една кратка симулација покажува тренд, а не докази.
Вообичаени грешки
- Претпоставувајќи дека структурата е сигурна без да се гледа pLDDT. Тврдењата засновани на ниски безбедносни зони се погрешни.
- Грешка на резултатот за приклучување како мерење на афинитет. Резултатот е релативен; Потребно е експериментирање.
- Погрешно статична структура за динамична реалност. Протеините се движат; Една структура не ја кажува целата приказна.
- Прифаќање предлози за молекули кои не се синтетизираат. Продуктивниот излез мора да помине низ хемискиот филтер.
- Безбедност/слепило за двојна употреба. Барањата за дизајнирање токсини или штетни агенси треба да се отфрлат.
Сумирано
AlphaFold и docking се моќни алатки за вештачка интелигенција кои го забрзуваат инженерството на протеини и откривањето лекови; Предвидување на структурата води, приклучувањето сортира илјадници молекули, генеративните модели сугерираат нови кандидати. Но, резултатот од сè е хипотеза: читајте ги оценките за доверливост на pLDDT, не погрешно го мешајте резултатот за приклучување за афинитет, не мешајте ја статичната структура со динамичната реалност и проверете го секој критичен кандидат експериментално. Синтетизираноста, безбедноста и свесноста за двојна употреба се неопходни во дизајнот на молекулите.
Задача за апликација
Најдете предвидување на структурата за јавно достапна протеинска секвенца од базата на податоци AlphaFold (или онлајн сервер). Испитајте ја мапата pLDDT и одделете ги безбедните и сомнителни региони. Потоа нека го коментира АИ на активната локација на овој протеин и споредете го секое тврдење што го прави со картата pLDDT: дали тврдењето се заснова на регион со ниска доверба? Оценете го резултатот во еден параграф.
листа за проверка
- [ ] Го оценив предвидувањето на структурата заедно со резултатот за доверба на pLDDT.
- [ ] Избегнав тврдења засновани на региони со ниска доверба.
- [ ] Го толкував резултатот за приклучување како релативно рангирање, а не како апсолутен афинитет.
- [ ] Забележав дека статичката структура не претставува динамично однесување.
- [ ] Ги филтрирав предлозите за продуктивни молекули преку синтетизирање и безбедност.
- [ ] Го поврзав секое критично предвидување со експериментален план за верификација.