Vikas Nanda spędził ponad dwie dekady na badaniu zawiłości białek, wysoce złożonych substancji obecnych we wszystkich żywych organizmach. Naukowiec z Rutgers długo zastanawiał się nad tym, jak unikalne wzory aminokwasów, z których składają się białka, decydują o tym, czy staną się one czymkolwiek, od hemoglobiny po kolagen, jak również nad kolejnym, tajemniczym etapem samoskładania, w którym tylko niektóre białka łączą się w jeszcze bardziej złożone substancje.
Kiedy więc naukowcy chcieli przeprowadzić eksperyment, w którym człowiek – posiadający dogłębne, intuicyjne zrozumienie budowy białek i ich samoorganizacji – miałby się zmierzyć z możliwościami przewidywania sztucznie inteligentnego programu komputerowego, Nanda, badacz z Centrum Zaawansowanej Biotechnologii i Medycyny (CABM) w Rutgers, był jednym z tych, którzy znaleźli się na szczycie listy.
Teraz ogłoszono wyniki badań nad tym, kto – lub co – może lepiej przewidywać, które sekwencje białek będą się najlepiej łączyć. Nanda, wraz z badaczami z Argonne National Laboratory w Illinois i kolegami z całego kraju, donosi w Nature Chemistry, że walka była bliska, ale decydująca. Rywalizacja Nandy i kilku kolegów z programem komputerowym przeciwko sztucznej inteligencji (AI) została wygrana, choć nieznacznie, przez program komputerowy.
Naukowcy są głęboko zainteresowani samoorganizacją białek, ponieważ wierzą, że lepsze jej zrozumienie może pomóc im w zaprojektowaniu wielu rewolucyjnych produktów do zastosowań medycznych i przemysłowych, takich jak sztuczna tkanka ludzka na rany i katalizatory nowych produktów chemicznych.
„Pomimo naszej rozległej wiedzy, SI poradziła sobie równie dobrze lub lepiej z kilkoma zestawami danych, pokazując ogromny potencjał uczenia maszynowego w pokonywaniu ludzkich uprzedzeń” – powiedział Nanda, profesor na Wydziale Biochemii i Biologii Molekularnej w Rutgers Robert Wood Johnson Medical School.
Białka składają się z dużej liczby aminokwasów połączonych ze sobą końcem. Łańcuchy te składają się w trójwymiarowe cząsteczki o skomplikowanych kształtach. Dokładny kształt każdego białka, wraz z zawartymi w nim aminokwasami, określa jego działanie. Niektórzy badacze, tacy jak Nanda, zajmują się „projektowaniem białek”, tworząc sekwencje, z których powstają nowe białka. Ostatnio Nanda i zespół badaczy zaprojektowali syntetyczne białko, które szybko wykrywa VX, niebezpieczny środek nerwowy, co może utorować drogę nowym biosensorom i metodom leczenia.
Z powodów, które są w dużej mierze nieznane, białka samoczynnie łączą się z innymi białkami, tworząc ważne dla biologii superstruktury. Czasami białka wydają się być zgodne z projektem, np. gdy samoczynnie składają się w zewnętrzną powłokę ochronną wirusa, zwaną kapsydem. W innych przypadkach, samoorganizują się, gdy coś pójdzie nie tak, tworząc śmiertelne struktury biologiczne związane z chorobami tak różnymi jak choroba Alzheimera i sierpowata komórka.
„Zrozumienie samoorganizacji białek ma fundamentalne znaczenie dla postępu w wielu dziedzinach, w tym w medycynie i przemyśle” – powiedział Nanda.
W eksperymencie Nanda i pięciu innych kolegów otrzymali listę białek i zostali poproszeni o przewidzenie, które z nich mogą się samoistnie złożyć. Ich przewidywania zostały porównane z tymi, które zostały wykonane przez program komputerowy.
Ludzcy eksperci, stosując zasady oparte na obserwacji zachowania białek w eksperymentach, w tym wzorców ładunków elektrycznych i stopnia niechęci do wody, wybrali 11 białek, które według nich miały się samoistnie złożyć. Program komputerowy, oparty na zaawansowanym systemie uczenia maszynowego, wybrał dziewięć białek.
Ludzie byli poprawni w przypadku sześciu z 11 białek, które wybrali. Program komputerowy uzyskał wyższy procent, przy czym sześć z dziewięciu białek, które zarekomendował, było w stanie samo się złożyć.
Eksperyment wykazał, że ludzcy eksperci „faworyzowali” niektóre aminokwasy nad innymi, co czasami prowadziło do błędnych wyborów. Ponadto program komputerowy prawidłowo wskazał na niektóre białka o właściwościach, które nie czyniły ich oczywistym wyborem do samodzielnego montażu, otwierając drzwi do dalszych badań.
Doświadczenie to sprawiło, że Nanda, niegdyś wątpiący w uczenie maszynowe w badaniach nad montażem białek, stał się bardziej otwarty na tę technikę.
„Pracujemy nad uzyskaniem fundamentalnego zrozumienia chemicznej natury interakcji, które prowadzą do samozłożenia, więc martwiłem się, że użycie tych programów uniemożliwi ważne spostrzeżenia” – powiedział Nanda. „Ale to, co zaczynam naprawdę rozumieć, to fakt, że uczenie maszynowe jest tylko kolejnym narzędziem, jak każde inne”.
Inni badacze w pracy to Rohit Batra, Henry Chan, Srilok Srinivasan, Harry Fry i Subramanian Sankaranarayanan, wszyscy z Argonne National Laboratory; Troy Loeffler, SLAC National Accelerator Laboratory; Honggang Cui, Johns Hopkins University; Ivan Korendovych, Syracuse University; Liam Palmer, Northwestern University; i Lee Solomon, George Mason University.
Źródło: Rutgers University, Kitta MacPherson
