L’algoritmo AI risolve le sfide della biologia strutturale
La determinazione delle forme 3D delle molecole biologiche è uno dei problemi più difficili nella biologia moderna e nelle scoperte mediche. Le aziende e gli istituti di ricerca spesso spendono milioni di dollari per determinare una struttura molecolare e anche sforzi così massicci spesso non hanno successo.
Utilizzando nuove e intelligenti tecniche di apprendimento automatico, il dottorato di ricerca della Stanford University. gli studenti Stephan Eismann e Raphael Townshend, sotto la guida di Ron Dror, professore associato di informatica, hanno sviluppato un approccio che supera questo problema prevedendo strutture computazionalmente accurate.
In particolare, il loro approccio ha successo anche quando si apprende solo da poche strutture note, rendendolo applicabile ai tipi di molecole le cui strutture sono più difficili da determinare sperimentalmente.
Il loro lavoro è dimostrato in due articoli che descrivono in dettaglio le applicazioni per molecole di RNA e complessi multiproteici, pubblicati rispettivamente su Science il 27 agosto 2021 e su Proteins nel dicembre 2020. Il documento in Science è una collaborazione con il laboratorio di Stanford di Rhiju Das, professore associato di biochimica.
“La biologia strutturale, che è lo studio delle forme delle molecole, ha questo mantra che la struttura determina la funzione”, ha detto Townshend.
L’algoritmo progettato dai ricercatori prevede strutture molecolari accurate e, così facendo, può consentire agli scienziati di spiegare come funzionano diverse molecole, con applicazioni che vanno dalla ricerca biologica fondamentale alle pratiche di progettazione di farmaci informate.
Leggi anche:
“Le proteine sono macchine molecolari che svolgono tutti i tipi di funzioni. Per eseguire le loro funzioni, le proteine spesso si legano ad altre proteine”, ha detto Eismann. “Se sai che una coppia di proteine è implicata in una malattia e sai come interagiscono in 3-D, puoi provare a indirizzare questa interazione in modo molto specifico con un farmaco”.
Eismann e Townshend sono co-autori capofila del documento Science con lo studioso postdottorato di Stanford Andrew Watkins del laboratorio Das, e anche co-autori capofila del documento Proteins con l’ex Stanford Ph.D. studente Nathaniel Thomas.
Progettare l’algoritmo
Invece di specificare cosa rende una previsione strutturale più o meno accurata, i ricercatori hanno lasciato che l’algoritmo scoprisse da solo queste caratteristiche molecolari. Lo hanno fatto perché hanno scoperto che la tecnica convenzionale di fornire tale conoscenza può influenzare un algoritmo a favore di determinate caratteristiche, impedendogli così di trovare altre caratteristiche informative.
“Il problema con queste funzionalità realizzate a mano in un algoritmo è che l’algoritmo diventa prevenuto verso ciò che la persona che sceglie queste funzionalità ritiene importante e potresti perdere alcune informazioni che avresti bisogno di fare meglio”, ha affermato Eismann.
“La rete ha imparato a trovare concetti fondamentali che sono fondamentali per la formazione della struttura molecolare, ma senza che gli sia stato esplicitamente detto”, ha detto Townshend. “L’aspetto eccitante è che l’algoritmo ha chiaramente recuperato cose che sapevamo essere importanti, ma ha anche recuperato caratteristiche che prima non conoscevamo”.
Dopo aver mostrato successo con le proteine, i ricercatori hanno poi applicato il loro algoritmo a un’altra classe di importanti molecole biologiche, gli RNA. Hanno testato il loro algoritmo in una serie di “rompicapi RNA” da una competizione di lunga data nel loro campo e, in ogni caso, lo strumento ha superato tutti gli altri partecipanti al puzzle e lo ha fatto senza essere progettato specificamente per le strutture dell’RNA.
Applicazioni più ampie
I ricercatori sono entusiasti di vedere dove altro può essere applicato il loro approccio, avendo già avuto successo con i complessi proteici e le molecole di RNA.
“La maggior parte dei recenti progressi drammatici nell’apprendimento automatico ha richiesto un’enorme quantità di dati per l’addestramento. Il fatto che questo metodo abbia successo con pochissimi dati di addestramento suggerisce che i metodi correlati potrebbero affrontare problemi irrisolti in molti campi in cui i dati sono scarsi”, ha affermato Dror , che è autore senior dell’articolo sulle proteine e, con Das, co-autore senior dell’articolo su Science.
In particolare per la biologia strutturale, il team afferma che stanno solo grattando la superficie in termini di progressi scientifici da fare.
“Una volta che hai questa tecnologia fondamentale, stai aumentando il tuo livello di comprensione di un altro passo e puoi iniziare a porre la prossima serie di domande”, ha detto Townshend. “Ad esempio, puoi iniziare a progettare nuove molecole e farmaci con questo tipo di informazioni, che è un’area di cui le persone sono molto entusiaste”.
Altri coautori del documento Science includono Stanford Ph.D. gli studenti Ramya Rangan e Maria Karelina. Altri coautori del documento sulle proteine includono gli ex studenti di Stanford Milind Jagota e Bowen Jing.
Ti potrebbe interessare:
Segui guruhitech su:
- Google News: bit.ly/gurugooglenews
- Instagram: instagram.com/guruhitech_official
- Telegram: t.me/guruhitech
- Facebook: facebook.com/guruhitechweb
- Twitter: twitter.com/guruhitech1
- Threads: threads.net/@guruhitech_official
- Bluesky: bsky.app/profile/guruhitech.bsky.social
- GETTR: gettr.com/user/guruhitech
- Rumble: rumble.com/user/guruhitech
- VKontakte: vk.com/guruhitech
- MeWe: mewe.com/i/guruhitech
- Skype: live:.cid.d4cf3836b772da8a
- WhatsApp: bit.ly/whatsappguruhitech
Esprimi il tuo parere!
Che ne pensi di questo algoritmo ad Intelligenza Artificiale in grado di determinare la struttura delle molecole? Lascia un commento nell’apposita sezione che trovi più in basso e se ti va, iscriviti alla newsletter.
Per qualsiasi domanda, informazione o assistenza nel mondo della tecnologia, puoi inviare una email all’indirizzo [email protected].
