Lợi nhuận:
- Khả năng đánh giá các dự đoán cấu trúc AlphaFold bằng điểm tin cậy pLDDT và tránh các xác nhận quyền sở hữu dựa trên vùng có độ tin cậy thấp
- Khả năng diễn giải điểm gắn kết dưới dạng xếp hạng tương đối, không phải mối quan hệ tuyệt đối và xác minh ứng viên bằng phép đo mối quan hệ thử nghiệm
- Khả năng lọc các đề xuất phân tử hiệu quả thông qua khả năng tổng hợp, tính ổn định và an toàn sinh học, đồng thời liên kết các dự đoán quan trọng với thử nghiệm ướt
Để hiểu chức năng của protein, cần phải biết hình dạng ba chiều của nó; bởi vì cấu trúc quyết định chức năng - túi xúc tác của enzyme, bề mặt liên kết của thụ thể luôn xuất hiện từ hình dạng ba chiều của nó. Trong nhiều thập kỷ, việc làm sáng tỏ cấu trúc của protein phải mất nhiều tháng thí nghiệm (tinh thể học tia X, cryo-EM). AlphaFold và các mô hình AI tương tự đã thay đổi bức tranh này: chúng có thể dự đoán cấu trúc ba chiều của protein từ một chuỗi axit amin với độ chính xác cao chỉ trong vài phút. Đây là cuộc cách mạng cho công nghệ sinh học; Nhưng biết được giới hạn của cách mạng là điều kiện để sử dụng nó một cách an toàn.
Trong phần này, bạn sẽ học cách sử dụng AI trong dự đoán cấu trúc, lắp ghép phân tử (tính toán mức độ và mức độ liên kết của một phân tử nhỏ với protein) và quy trình thiết kế phân tử; Ở mỗi bước, bạn sẽ biết được nơi kết thúc dự đoán và thử nghiệm bắt đầu.
AlphaFold: sức mạnh và giới hạn
AlphaFold (một mô hình học sâu dự đoán cấu trúc 3D từ chuỗi protein) tạo ra điểm tin cậy (pLDDT - giá trị từ 0 đến 100 cho biết mức độ tin cậy của mô hình đối với từng axit amin) với mỗi dự đoán. pLDDT cao (>90) nhìn chung đáng tin cậy; Các vùng thấp (<50) thường là các vùng bị rối loạn—các phần protein linh hoạt không có cấu trúc cố định—hoặc các vùng mà mô hình không chắc chắn. Các giới hạn mà AlphaFold phải biết là nó cung cấp một cấu trúc tĩnh duy nhất (không phải chuyển động của protein), nó không mô hình hóa phối tử (phân tử nhỏ liên kết với protein) hoặc các hiệu ứng ion kim loại, nó không phải lúc nào cũng nắm bắt được hiệu ứng tinh tế của đột biến và nó không đảm bảo liệu một phức hợp có hình thành hay không.
Thận trọng: AlphaFold là một giả thuyết được dự đoán, không phải là một cấu trúc thử nghiệm. Tuyên bố về cơ chế dựa trên các vùng có pLDDT thấp hoặc xác định túi thuốc ở những vùng này là sai lệch. Các cấu trúc quan trọng phải được xác nhận bằng phương pháp thực nghiệm (tinh thể học, cryo-EM).
Docking: dự đoán lắp ghép
Câu hỏi cơ bản trong kỹ thuật chế tạo thuốc và enzyme là: "Liệu phân tử này có liên kết với protein này không và mạnh đến mức nào?" Docking tính toán điều này và xếp hạng nó bằng chức năng tính điểm - một mô hình toán học gần đúng để ước tính độ bền liên kết. Nhưng điểm số gắn kết chỉ mang tính chất tương đối và không dự đoán được mối quan hệ ràng buộc thực sự; Tỷ lệ dương tính giả cao. Các phương pháp dựa trên AI mới giúp việc lắp ghép nhanh hơn và chính xác hơn nhưng kết quả vẫn là một chuỗi quét — được xác minh bằng phép đo ái lực thử nghiệm (chẳng hạn như SPR, ITC).
Mẹo: Sử dụng việc lắp ghép để sắp xếp hàng nghìn phân tử trước khi thử nghiệm, không phải để đưa ra quyết định "liên kết/không liên kết" tuyệt đối. Tổng hợp và thử nghiệm 50 phân tử có điểm cao nhất hiệu quả hơn nhiều so với thử nghiệm ngẫu nhiên 50 phân tử; Nhưng kinh nghiệm quyết định.
Thiết kế phân tử và mô hình tổng quát
Các mô hình sáng tạo—AI có thể “thiết kế” các chuỗi protein mới hoặc các phân tử nhỏ—có thể đề xuất các phân tử ứng cử viên có các đặc tính mong muốn: một enzyme ổn định hơn, một khung thuốc mới liên kết với mục tiêu. Điều này rất mạnh mẽ, nhưng nó có hai cạm bẫy: mô hình có thể đề xuất các phân tử không thể tổng hợp (không thể tạo ra về mặt hóa học) hoặc các chuỗi không thực tế. Đó là lý do tại sao kết quả đầu ra hiệu quả luôn được lọc qua khả năng tổng hợp, tính ổn định và bảo mật.
ba trường hợp nhỏ
Trường hợp 1 - Cấu trúc hướng dẫn ước tính. Một nhóm kỹ thuật enzyme đang làm việc mà không có cấu trúc thí nghiệm của enzyme mục tiêu. AlphaFold chỉ vào vị trí hoạt động được dự đoán – khu vực mà enzyme thực hiện phản ứng hóa học; Nhóm nghiên cứu đã thiết kế 3 đột biến ở vùng này. Trong thử nghiệm, một người tăng hoạt động lên 2,3 lần. Nhưng hai đột biến không có tác dụng – dự đoán dẫn đầu, thí nghiệm quyết định.
Trường hợp 2 - Bẫy vùng tin cậy thấp. Một sinh viên muốn gắn thuốc vào một "túi" trong cấu trúc AlphaFold. Nhìn vào bản đồ pLDDT, anh thấy khu vực này là khu vực có độ an toàn thấp, có thể mất trật tự với điểm 38. Đã di chuyển bến tàu về vùng an toàn; Việc lãng phí hàng tháng trời vào một mục tiêu sai lầm đã được ngăn chặn.
Trường hợp 3 - Đề xuất không thể tổng hợp được. Một mô hình tổng quát đã đề xuất 200 phân tử liên kết với mục tiêu có điểm cao. Khi nhà hóa học lọc nó, ông nhận thấy rằng 40% trong số đó không thể được tổng hợp trên thực tế hoặc sẽ không ổn định. Sau khi nhóm ứng viên còn lại trở nên thực tế, 12 ứng cử viên đã được tổng hợp.
Bốn mẫu có thể sao chép
1) Nhận xét đầu ra AlphaFold:
Vai trò của bạn: nhà sinh học cấu trúc. Tôi sẽ cung cấp cho bạn bản tóm tắt pLDDTscore của dự đoán AlphaFold. Phân biệt khu vực nào đáng tin cậy (>90) và khu vực nào đáng ngờ (<50). Không thiết lập bất kỳ khiếu nại cơ chế nào dựa trên vùng có độ tin cậy thấp. Viết trong bản in của bạn rằng đây không phải là bản dựng thử nghiệm và cách xác minh nó.
2) Sơ đồ quy trình lắp ghép:
Vai trò của bạn: nhà hóa học tính toán. Mô tả quy trình lắp ghép phân tử nhỏ cho [protein mục tiêu]: chuẩn bị protein, xác định túi liên kết, chuẩn bị phối tử, tính điểm, giải trình tự. Giải thích rằng điểm gắn kết KHÔNG phải là mối quan hệ tuyệt đối và nó sẽ được xác minh bằng phương pháp thử nghiệm nào (SPR/ITC).
3) Biện minh cho thiết kế đột biến:
Tôi muốn có những gợi ý về đột biến để tăng tính ổn định của enzyme. Đối với mỗi khuyến nghị: vị trí mục tiêu, cơ sở lý luận (logic cấu trúc) và rủi ro có thể xảy ra (mất hoạt động). Chỉ ra rằng đây chỉ là những phỏng đoán và mỗi điều phải được kiểm tra bằng thí nghiệm. Đưa ra tối đa 5 gợi ý và ưu tiên.
4) Lọc đầu ra hiệu quả:
Hãy cho tôi các tiêu chí để đánh giá các phân tử được đề xuất bởi mô hình tổng hợp: khả năng tổng hợp, độ ổn định hóa học, dấu hiệu độc tính (cảnh báo cấu trúc), trọng lượng phân tử và độ hòa tan. Hãy cho tôi biết ngưỡng mà tôi “nên loại bỏ” đối với từng tiêu chí. Đây là bộ lọc trước; Quyết định cuối cùng thuộc về phòng thí nghiệm ẩm ướt.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Thiết kế một loại thuốc liên kết với protein này.
Không bảo mật, không tổng hợp, không xác minh; AI tạo ra kết quả không thực tế, không thể kiểm chứng.
Lời nhắc mạnh mẽ:
Vai trò của bạn: nhà hóa học tính toán. Đề xuất chiến lược SÀNG LỌC (dựa trên sự gắn kết) cho các giàn giáo phân tử nhỏ có khả năng liên kết với protein [mục tiêu]. Đừng tạo ra các phân tử cụ thể; thay vào đó hãy mô tả từng bước thư viện nào, túi nào, cách tính điểm và bộ lọc nào sẽ sử dụng cũng như cách xác thực từng ứng viên bằng mối quan hệ thử nghiệm.
Sự khác biệt: trọng tâm chiến lược, phạm vi thực tế, xác thực rõ ràng và nhận thức về bảo mật.
Quy trình làm việc và xác nhận có cấu trúc
bước
Đóng góp của AI
biên giới
xác minh
Dự đoán cấu trúc
Mô hình 3D AlphaFold
Tĩnh, không có phối tử
Cryo-EM/tinh thể học
Đánh giá độ tin cậy
bình luận pLDDT
Vùng thấp không rõ ràng
So sánh mô hình độc lập
lắp ghép
sắp xếp nhanh chóng
Điểm ≠ mối quan hệ
Đo SPR/ITC
thiết kế đột biến
Đề xuất ứng viên
ước tính tác động
hoạt động thí nghiệm
sản xuất phân tử
ứng cử viên mới
Tổng hợp/ổn định
Hóa chất + thử ướt
Động lực phân tử: kích hoạt cấu trúc
AlphaFold cung cấp cho bạn một bức ảnh cố định duy nhất; Tuy nhiên, protein là những cỗ máy luôn chuyển động, rung động, các túi của chúng đóng mở. Mô phỏng động lực phân tử (MD—một phép tính trên máy tính về chuyển động của các nguyên tử phân tử theo thời gian theo định luật vật lý của Newton) làm cho chuyển động này có thể nhìn thấy được: túi thuốc có thực sự mở hay không, đột biến thay đổi tính linh hoạt như thế nào, liệu liên kết có ổn định hay không. AI giúp lập kế hoạch thiết lập MD (lựa chọn trường lực, hộp nước, các bước cân bằng) và tóm tắt kết quả, nhưng giá trị vật lý của mô phỏng (đủ thời gian, trường lực chính xác) là đánh giá của chuyên gia. Một mô phỏng ngắn hoặc được xây dựng không đúng sẽ tạo ra một kết quả có vẻ như thật nhưng vô nghĩa về mặt vật lý.
Mẹo: Trước khi tin tưởng vào kết quả của mô phỏng MD, hãy đặt hai câu hỏi: mô phỏng có đủ lâu không (hệ thống đã đạt đến trạng thái cân bằng chưa) và nó có đưa ra hành vi tương tự khi lặp lại (với một hạt giống ban đầu khác) không? Một mô phỏng ngắn gọn, duy nhất cho thấy một xu hướng chứ không phải bằng chứng.
Những lỗi thường gặp
- Giả sử cấu trúc là chắc chắn mà không cần nhìn vào pLDDT. Những tuyên bố dựa trên vùng an toàn thấp là sai lầm.
- Nhầm điểm gắn kết là thước đo mối quan hệ. Điểm là tương đối; Nó đòi hỏi phải thử nghiệm.
- Nhầm lẫn cấu trúc tĩnh với thực tế động. Protein di chuyển; Một cấu trúc không kể toàn bộ câu chuyện.
- Chấp nhận đề xuất cho các phân tử không tổng hợp được. Sản lượng sản xuất phải đi qua bộ lọc hóa học.
- An ninh/mù sử dụng kép. Yêu cầu thiết kế chất độc hoặc tác nhân gây hại nên bị từ chối.
Tóm lại
AlphaFold và docking là những công cụ AI mạnh mẽ giúp tăng tốc quá trình chế tạo protein và khám phá thuốc; Dự đoán cấu trúc dẫn đầu, sắp xếp hàng nghìn phân tử, các mô hình tổng quát đề xuất các ứng cử viên mới. Nhưng đầu ra của tất cả đều là giả thuyết: đọc điểm tin cậy pLDDT, đừng nhầm điểm gắn kết với mối quan hệ, đừng nhầm lẫn cấu trúc tĩnh với thực tế động và xác minh từng ứng cử viên quan trọng bằng thực nghiệm. Khả năng tổng hợp, an toàn và nhận thức về công dụng kép là không thể thiếu trong thiết kế phân tử.
Nhiệm vụ ứng dụng
Tìm dự đoán cấu trúc cho chuỗi protein có sẵn công khai từ cơ sở dữ liệu AlphaFold (hoặc máy chủ trực tuyến). Kiểm tra bản đồ pLDDT và tách biệt các khu vực an toàn và đáng ngờ. Sau đó, để AI nhận xét về vị trí hoạt động của protein này và so sánh từng tuyên bố mà nó đưa ra với bản đồ pLDDT: tuyên bố đó có dựa trên vùng có độ tin cậy thấp không? Đánh giá kết quả trong một đoạn văn.
danh sách kiểm tra
- [ ] Tôi đã đánh giá dự đoán cấu trúc cùng với điểm tin cậy pLDDT.
- [ ] Tôi đã tránh các xác nhận quyền sở hữu dựa trên các vùng có độ tin cậy thấp.
- [ ] Tôi hiểu điểm gắn kết là thứ hạng tương đối, không phải mối quan hệ tuyệt đối.
- [ ] Tôi quan sát thấy cấu trúc tĩnh không thể hiện hành vi động.
- [ ] Tôi đã lọc các đề xuất phân tử hiệu quả thông qua khả năng tổng hợp và độ an toàn.
- [ ] Tôi đã liên kết từng dự đoán quan trọng với một kế hoạch xác minh thử nghiệm.