TLDR: DeepGO-SE využívá obecných biologických principů k odvozování informovaných závěrů o molekulárních funkcích proteinů pomocí logických důsledků, které jsou podporovány znalostí o chování těchto proteinů. Studie hír. 

Zatímco pro běžného člověka jsou proteiny (či počeštěně bílkoviny) přinejlepším mysteriózní nápis ze zadní strany obalu cukrovinky, pro mnohé vědátory jde o denní chléb. I když jako základ života slízly smetanu veleslavné geny, ty „jenom“ obsahují plány proteinů. Jsou to právě proteiny, které odedřou životní funkce na té nejmenší úrovni.

Jenže s proteiny je mrzení. Jsou po čertech malé, takže se blbě studují. Některé formy mikroskopie si s tím uměly pro některé proteiny poradit, ale ne vždy a všude. Už pěkných pár let ale probíhá taková menší revoluce na poli výpočetní chemie a biologie, protože moderní AIčka dokážou tvar proteinů s velmi dobrou pravděpodobností predikovat! A možná se blíží i další AIčko, které se zaměří i na proteiny s méně známou funkcí…

AI peče proteiny

Odhadovat funkci neznámých proteinů se totiž snaží nástroj, který vyvinul Maxat Kulmanov ze saudskoarabského KAUST. Mašina se jmenuje DeepGO-SE a překonává své předchůdce, zejména při analýze proteinů, které se vymykají identifikaci v rámci existujících souborů dat.

Model, který byl publikován v časopise Nature Machine Intelligence, využívá rozsáhlé jazykové modely podobné těm, které používají generativní nástroje umělé inteligence, jako je Chat-GPT. DeepGO-SE využívá logické důsledky k vytváření informovaných závěrů o molekulárních funkcích, přičemž se opírá o obecné biologické principy, jimiž se řídí chování proteinů.

Tím, že umožňuje počítačům logicky zpracovávat výsledky a odvozovat pravděpodobné scénáře na základě zdravého rozumu a uvažování, tento nástroj zlepšuje porozumění funkcím proteinů.

K čemu to je?

Pokud jste už nezapomněli úvodní odstavce, lepší pochopení proteinů je zásadní pro, inu, prakticky cokoliv biovýzkumného nebo medicínského rázu. Potenciálně DeepGO-SE a jeho následovníci mohou najít široké možnosti využití, zejména ve scénářích vyžadujících uvažování nad daty a hypotézami generovanými neuronovými sítěmi nebo jinými modely strojového učení.

Zatím nástroj úspěšně předpověděl molekulární funkce málo známých proteinů na základě údajů o jejich aminokyselinových sekvencích a známých interakcích s jinými proteiny. DeepGO-SE se taky umístil v mezinárodní soutěži nástrojů pro předpovídání funkcí umístil v první dvacítce mezi více než 1 600 algoritmy.

V současné době tým KAUST využívá DeepGO-SE ke zkoumání záhadných proteinů objevených u rostlin prosperujících v extrémním prostředí saúdskoarabské pouště. Vědátoři předpokládají, že výsledky nástroje přispějí k identifikaci nových proteinů pro různé biotechnologické aplikace.

O dílek navíc

Samozřejmě, není to revoluce. DeepGO-SE není nějakým revolučním typem nástroje, ze kterého se biochemikům podlamují kolena a samovolně propadají nadšenému jekotu. Jde ale o ilustraci evoluce, která se na poli výpočetní biochemie s moderními AIčky dostavuje.

Můžete možná pozvednout obočí nad saudskoarabským původem strojového učení — ale to naopak perfektně ilustruje charakter oné postupné revoluce v poznávání proteinů! Famózní mašiny pro jejich studium již nepřicházejí z omezeného fragmentu světových laboratoří, ale mohou se zrodit doslova kdekoliv a světě, obzvláště tam kde na výzkumu nešetří. Tajemství proteinů je tak o něco blíže rozluštění pro vědátory – a možná i pro běžné strávníky cukrovinek.

[Ladislav Loukota, NK]

Vědátor vzniká v dílně spolku studentů a popularizátorů vědy UP Crowd za podpory MUDRstart, který tvoří přípravné testy pro studenty vysokých škol. Krom různých autorů projekt jako šéfredaktor vede Ladislav Loukota – jeho kontaktní mail je vedatororg@seznam.cz

Autolink hír.