Fitimet:
- Aftësia për të vlerësuar parashikimet e strukturës AlphaFold me rezultatin e besimit pLDDT dhe për të shmangur pretendimet e bazuara në rajone me besim të ulët
- Aftësia për të interpretuar rezultatin e lidhjes si një renditje relative, jo si afinitet absolut dhe për të verifikuar kandidatët me matje eksperimentale të afinitetit
- Aftësia për të filtruar sugjerimet e molekulave produktive përmes sintetizimit, stabilitetit dhe biosigurisë dhe lidhjes së parashikimeve kritike me testimin e lagësht
Për të kuptuar se çfarë bën një proteinë, është e nevojshme të dihet forma e saj tredimensionale; sepse struktura përcakton funksionin - xhepi katalitik i një enzime, sipërfaqja lidhëse e një receptori gjithmonë lind nga forma e tij tredimensionale. Për dekada, zbulimi i strukturës së një proteine mori muaj eksperimente (kristalografi me rreze X, krio-EM). AlphaFold dhe modele të ngjashme të AI kanë ndryshuar këtë pamje: ata mund të parashikojnë strukturën tre-dimensionale të një proteine nga një sekuencë aminoacidesh me saktësi të lartë në minuta. Kjo është revolucionare për bioinxhinierinë; Por njohja e kufijve të revolucionit është kushti për ta përdorur atë në mënyrë të sigurt.
Në këtë njësi, do të mësoni se si të përdorni AI në parashikimin e strukturës, lidhjen molekulare (duke llogaritur se si dhe sa fort lidhet një molekulë e vogël me një proteinë) dhe flukset e punës të projektimit të molekulës; Në çdo hap do të mësoni se ku përfundon parashikimi dhe fillon eksperimenti.
AlphaFold: fuqia dhe kufiri
AlphaFold (një model i të mësuarit të thellë që parashikon strukturën 3D nga një sekuencë proteinash) prodhon një rezultat besimi (pLDDT - një vlerë nga 0 në 100 që tregon se sa i sigurt është modeli për çdo aminoacid) me çdo parashikim. PLDDT e lartë (>90) është përgjithësisht e besueshme; Rajonet e ulëta (<50) janë shpesh rajone të çrregullta - pjesë fleksibël të proteinave që nuk kanë një strukturë fikse - ose zona ku modeli është i pasigurt. Kufijtë që AlphaFold duhet të dijë janë se ai jep një strukturë të vetme statike (jo lëvizjen e proteinave), nuk modelon ligand (lidhja e molekulës së vogël me një proteinë) ose efektet e joneve metalike, jo gjithmonë kap efektin delikate të mutacioneve dhe nuk garanton nëse do të formohet një kompleks.
Kujdes: AlphaFold është një hipotezë e parashikuar, jo një konstrukt eksperimental. Pretendimi i një mekanizmi të bazuar në rajone me pLDDT të ulët ose identifikimi i një xhepi droge në këto rajone është mashtrues. Strukturat kritike duhet të konfirmohen me metodë eksperimentale (kristalografi, krio-EM).
Docking: parashikimi i ankorimit
Pyetja themelore në inxhinierinë e barnave dhe enzimave është: "A lidhet kjo molekulë me këtë proteinë dhe sa fort?" Docking e llogarit këtë dhe e rendit atë me një funksion vlerësimi - një model i përafërt matematikor që vlerëson forcën e lidhjes. Por rezultatet e lidhjes janë relative dhe nuk parashikojnë afinitet të vërtetë lidhës; Norma false pozitive është e lartë. Metodat e reja të bazuara në AI e bëjnë lidhjen më të shpejtë dhe më të saktë, por rezultati është ende një sekuencë skanimi - e verifikuar nga matja eksperimentale e afinitetit (si SPR, ITC).
Këshillë: Përdorni lidhjen për të renditur mijëra molekula përpara eksperimentit, jo për një vendim absolut "lidhje/pa-lidhje". Sintetizimi dhe testimi i 50 molekulave me rezultatin më të lartë është shumë më efikas sesa testimi i 50 në mënyrë të rastësishme; Por përvoja vendos.
Dizajni molekular dhe modelet gjeneruese
Modelet gjeneruese - AI që mund të "dizenjojë" sekuenca të reja proteinash ose molekula të vogla - mund të sugjerojnë molekula kandidate me vetitë e dëshiruara: një enzimë më e qëndrueshme, një skelë të re ilaçi që lidhet me një objektiv. Kjo është e fuqishme, por ka dy gracka: modeli mund të sugjerojë molekula të sintetizueshme (kimikisht të pamundura për t'u prodhuar) ose sekuenca joreale. Kjo është arsyeja pse rezultatet produktive filtrohen gjithmonë përmes sintetizimit, stabilitetit dhe sigurisë.
tre mini kuti
Rasti 1 — Struktura udhëhoqi vlerësimin. Një ekip inxhinierik enzimë po punonte pa një strukturë eksperimentale të enzimës së synuar. AlphaFold vuri në dukje vendin e parashikuar aktiv - zonën ku enzima kryen reaksionin kimik; Ekipi projektoi 3 mutacione në këtë rajon. Në eksperiment, një e rriti aktivitetin me 2.3 herë. Por dy mutacione nuk funksionuan – u krye parashikimi, vendosi eksperimenti.
Rasti 2 — Kurthi i zonës së besimit të ulët. Një student donte të bashkonte mjekimin në një "xhep" në strukturën AlphaFold. Duke parë hartën e pLDDT-së, ai pa se zona ishte një zonë e ulët e sigurt, ndoshta e çrregullt me një rezultat prej 38. U zhvendos ankorimi në zonën e sigurt; u parandalua humbja e muajve në një objektiv të gabuar.
Rasti 3 - Propozim i pasintetizuar. Një model gjenerues sugjeroi 200 molekula që lidhen me një objektiv me një rezultat të lartë. Kur kimisti e filtroi, ai zbuloi se 40% e tij nuk mund të sintetizohej praktikisht ose do të ishte e paqëndrueshme. Pasi grupi i mbetur i kandidatëve u bë realist, 12 u sintetizuan.
Katër shabllone të kopjueshëm
1) Komenti i daljes AlphaFold:
Roli juaj: biolog strukturor. Unë do t'ju jap përmbledhjen pLDDTscore të një parashikimi AlphaFold. Dalloni se cilat rajone janë të besueshme (>90) dhe cilat janë të dyshimta (<50). Mos krijoni asnjë pretendim mekanizmi bazuar në zonat e besimit të ulët. Shkruani në printimin tuaj se kjo nuk është një ndërtim eksperimental dhe si ta verifikoni atë.
2) Plani i rrjedhës së punës së bashkimit:
Roli juaj: kimist llogaritës. Përshkruani rrjedhën e punës të lidhjes së molekulës së vogël për [proteina e synuar]: përgatitja e proteinave, përcaktimi i xhepit lidhës, përgatitja e ligandit, pikëzimi, renditja e renditjes. Shpjegoni se rezultati i lidhjes NUK është afinitet absolut dhe me cilën metodë eksperimentale (SPR/ITC) do të verifikohet.
3) Justifikimi i dizajnit të mutacionit:
Do të doja sugjerime për mutacione për të rritur stabilitetin e një enzime. Për çdo rekomandim: pozicioni i synuar, arsyetimi (logjika strukturore) dhe rreziku i mundshëm (humbja e aktivitetit). Vini në dukje se këto janë supozime dhe secila duhet të testohet me eksperiment. Jepni deri në 5 sugjerime dhe jepni përparësi.
4) Filtrimi produktiv i prodhimit:
Më jepni kriteret për vlerësimin e molekulave të sugjeruara nga një model gjenerues: sintetizimi, stabiliteti kimik, nënshkrimet e toksicitetit (parashikimet strukturore), pesha molekulare dhe tretshmëria. Më tregoni pragun në të cilin "duhet të eliminoj" për secilin kriter. Ky është një para-filtër; Vendimi përfundimtar i takon laboratorit të lagësht.
Prompt i dobët / Prompt i fortë
Njoftim i dobët:
Dizenjoni një ilaç që lidhet me këtë proteinë.
Asnjë siguri, pa sintetizueshmëri, pa verifikim; Inteligjenca artificiale prodhon rezultate joreale dhe të paverifikueshme.
Njoftim i fuqishëm:
Roli juaj: kimist llogaritës. Propozoni një strategji SCRENING (bazuar në docking) për skelat me molekula të vogla që kanë potencialin të lidhen me proteinën [objektiv]. Mos prodhoni molekula betoni; në vend të kësaj, përshkruani hap pas hapi se cilën bibliotekë, cilin xhep, cilin pikë dhe cilët filtra të përdorni dhe si të vërtetoni secilin kandidat me afinitet eksperimental.
Dallimi: fokusi i strategjisë, shtrirja realiste, vlefshmëria e qartë dhe ndërgjegjësimi i sigurisë.
Rrjedha e strukturuar e punës dhe vërtetimi
hap
Kontributi i AI
kufiri
verifikimi
Parashikimi i strukturës
Modeli AlphaFold 3D
Statike, pa ligand
Krio-EM/kristalografi
Vlerësimi i besimit
koment pLDDT
Zona e ulët e paqartë
Krahasimi i pavarur i modelit
ankorimi
renditje e shpejtë
Rezultati ≠ afiniteti
Matja SPR/ITC
dizajni i mutacionit
Rekomandimi i kandidatit
Vlerësimi i ndikimit
eksperiment aktiviteti
prodhimin e molekulave
kandidat i ri
Sintezë/stabilitet
Kimisti + test i lagësht
Dinamika molekulare: struktura aktivizuese
AlphaFold ju jep një foto të vetme, të ngrirë; Megjithatë, proteinat janë makina që vazhdimisht lëvizin, vibrojnë, xhepat e tyre hapen dhe mbyllen. Simulimi i dinamikës molekulare (MD - një llogaritje kompjuterike e lëvizjes së atomeve të një molekule me kalimin e kohës sipas ligjeve të fizikës së Njutonit) e bën këtë lëvizje të dukshme: nëse një xhep ilaçi është në të vërtetë i hapur, si një mutacion ndryshon fleksibilitetin, nëse një lidhje mbetet e qëndrueshme. AI ndihmon në planifikimin e një konfigurimi MD (përzgjedhja e fushës së forcës, kutia e ujit, hapat e ekuilibrit) dhe përmbledhja e rezultateve, por vlefshmëria fizike e simulimit (kohë e mjaftueshme, fushë e saktë e forcës) është gjykimi i ekspertëve. Një simulim i shkurtër ose i ndërtuar në mënyrë jo të duhur prodhon një rezultat që duket real, por fizikisht është i pakuptimtë.
Këshillë: Përpara se t'i besoni rezultatit të një simulimi MD, bëni dy pyetje: a është simulimi mjaft i gjatë (a ka arritur sistemi në ekuilibër) dhe a jep të njëjtën sjellje kur përsëritet (me një farë fillestare të ndryshme)? Një simulim i vetëm, i shkurtër tregon një prirje, jo prova.
Gabimet e zakonshme
- Duke supozuar se struktura është e sigurt pa shikuar pLDDT. Pretendimet e bazuara në zona të ulëta të sigurisë janë mashtruese.
- Gabimi i pikës së lidhjes si matje afiniteti. Rezultati është relativ; Kërkon eksperimente.
- Gabimi i një strukture statike për një realitet dinamik. Proteinat lëvizin; Një strukturë nuk e tregon të gjithë historinë.
- Pranimi i sugjerimeve për molekula që nuk sintetizohen. Prodhimi produktiv duhet të kalojë përmes filtrit kimik.
- Siguria/verbëria me përdorim të dyfishtë. Kërkesat për dizajnimin e toksinave ose agjentëve të dëmshëm duhet të refuzohen.
Në përmbledhje
AlphaFold dhe docking janë mjete të fuqishme të AI që përshpejtojnë inxhinierinë e proteinave dhe zbulimin e barnave; Parashikimi i strukturës udhëheq rrugën, bashkimi i mijëra molekulave, modelet gjeneruese sugjerojnë kandidatë të rinj. Por rezultati i të gjithëve është hipoteza: lexoni rezultatet e besimit të pLDDT, mos e ngatërroni pikën e lidhjes me afinitetin, mos ngatërroni strukturën statike me realitetin dinamik dhe verifikoni eksperimentalisht çdo kandidat kritik. Sintetizueshmëria, siguria dhe ndërgjegjësimi për përdorim të dyfishtë janë të domosdoshëm në hartimin e molekulave.
Detyra e aplikimit
Gjeni një parashikim të strukturës për një sekuencë proteine të disponueshme publikisht nga baza e të dhënave AlphaFold (ose një server në internet). Ekzaminoni hartën pLDDT dhe ndani rajonet e sigurta dhe të dyshimta. Më pas bëni komentin e AI në faqen aktive të kësaj proteine dhe krahasoni çdo pretendim që ajo bën me hartën pLDDT: a bazohet pretendimi në një rajon me besim të ulët? Vlerësoni rezultatin në një paragraf.
listë kontrolli
- [ ] Unë vlerësova parashikimin e strukturës së bashku me rezultatin e besimit pLDDT.
- [ ] Unë i kam shmangur pretendimet e bazuara në rajone me besim të ulët.
- [ ] Unë e interpretova rezultatin e dokimit si renditje relative, jo si afinitet absolut.
- [ ] Vura re se struktura statike nuk përfaqëson sjellje dinamike.
- [ ] Kam filtruar sugjerimet e molekulave produktive përmes sintetizimit dhe sigurisë.
- [ ] Unë e lidha çdo parashikim kritik me një plan verifikimi eksperimental.