Alle levende organismen gebruiken eiwitten, die een groot aantal complexe moleculen omvatten. Ze vervullen een breed scala aan functies, van het toestaan ​​van planten om zonne-energie te gebruiken voor de productie van zuurstof tot het helpen van je immuunsysteem om te vechten tegen ziekteverwekkers tot het je spieren fysiek werk te laten doen. Veel medicijnen zijn ook gebaseerd op eiwitten.

Voor veel gebieden van biomedisch onderzoek en medicijnontwikkeling zijn er echter geen natuurlijke eiwitten die als geschikte startpunten kunnen dienen om nieuwe eiwitten te bouwen. Onderzoekers die nieuwe medicijnen ontwierpen om COVID-19-infectie te voorkomen, of eiwitten ontwikkelden die genen aan of uit kunnen zetten of cellen in computers kunnen veranderen, moesten helemaal opnieuw nieuwe eiwitten maken.

Dit proces van de novo eiwitontwerp kan moeilijk zijn om goed te krijgen. Eiwitingenieurs zoals ik hebben geprobeerd manieren te vinden om efficiënter en nauwkeuriger nieuwe eiwitten te ontwerpen met de eigenschappen die we nodig hebben.

Gelukkig kan een vorm van kunstmatige intelligentie, deep learning genaamd, een elegante manier zijn om eiwitten te creëren die voorheen niet bestonden:hallucinaties.

Vanaf het begin eiwitten ontwerpen

Eiwitten zijn opgebouwd uit honderden tot duizenden kleinere bouwstenen die aminozuren worden genoemd. Deze aminozuren zijn met elkaar verbonden in lange ketens die zich opvouwen tot een eiwit. De volgorde waarin deze aminozuren met elkaar zijn verbonden, bepaalt de unieke structuur en functie van elk eiwit.

De grootste uitdaging voor eiwitingenieurs bij het ontwerpen van nieuwe eiwitten is het bedenken van een eiwitstructuur die een gewenste functie zal vervullen. Om dit probleem te omzeilen, maken onderzoekers doorgaans ontwerpsjablonen op basis van natuurlijk voorkomende eiwitten met een vergelijkbare functie. Deze sjablonen bevatten instructies voor het maken van de unieke vouwen van elk specifiek eiwit. Omdat er echter voor elke individuele vouw een sjabloon moet worden gemaakt, is deze strategie tijdrovend, arbeidsintensief en beperkt door de eiwitten die in de natuur beschikbaar zijn.

In de afgelopen jaren hebben verschillende onderzoeksgroepen, waaronder het laboratorium waar ik werk, een aantal toegewijde diepe neurale netwerken ontwikkeld:computerprogramma's die meerdere verwerkingslagen gebruiken om te "leren" van invoergegevens om voorspellingen te doen over een gewenste uitvoer.

Wanneer de gewenste output een nieuw eiwit is, worden miljoenen parameters die verschillende facetten van een eiwit beschrijven in het netwerk geplaatst. Wat wordt voorspeld, is een willekeurig gekozen volgorde van aminozuren die in kaart wordt gebracht op de meest waarschijnlijke 3D-structuur die die volgorde zou hebben.

Netwerkvoorspellingen voor een willekeurige aminozuursequentie zijn wazig, wat betekent dat de uiteindelijke structuur van het eiwit niet erg duidelijk is, terwijl zowel natuurlijk voorkomende eiwitten als eiwitten die helemaal opnieuw zijn opgebouwd, veel meer goed gedefinieerde eiwitstructuren produceren.

Hallucinerende nieuwe eiwitten

Deze waarnemingen duiden op een manier waarop nieuwe eiwitten vanaf het begin kunnen worden gegenereerd - door willekeurige invoer naar het netwerk te tweaken totdat voorspellingen een goed gedefinieerde structuur opleveren.

De eiwitgeneratiemethode die mijn collega's en ik hebben ontwikkeld, is conceptueel vergelijkbaar met computervisiemethoden zoals Google's DeepDream, die patronen in afbeeldingen vindt en verbetert.

Deze methoden werken door netwerken te gebruiken die zijn getraind om menselijke gezichten of andere patronen in afbeeldingen te herkennen, zoals de vorm van een dier of een object, en deze om te keren zodat ze deze patronen leren herkennen waar ze niet bestaan. In DeepDream krijgt het netwerk bijvoorbeeld willekeurige invoerbeelden die worden aangepast totdat het netwerk een gezicht of een andere vorm in het beeld kan herkennen. Hoewel het uiteindelijke beeld er niet echt uitziet als een gezicht voor een persoon die ernaar kijkt, zou het dat wel zijn voor het neurale netwerk.

De producten van deze techniek worden vaak hallucinaties genoemd, en dit is ook wat we onze ontworpen eiwitten noemen.

Onze methode begint met het doorgeven van een willekeurige aminozuursequentie door een diep neuraal netwerk. De resulterende voorspellingen zijn aanvankelijk wazig, met onduidelijke structuren, zoals verwacht voor willekeurige sequenties. Vervolgens introduceren we een mutatie die het ene aminozuur in de keten in een ander aminozuur verandert en deze nieuwe sequentie opnieuw door het netwerk sturen. Als deze verandering het eiwit een meer gedefinieerde structuur geeft, dan behouden we het aminozuur en introduceren we een andere mutatie in de sequentie.

Bij elke herhaling van dit proces komen de eiwitten steeds dichter bij de echte vorm die ze zouden aannemen als ze in de natuur zouden worden geproduceerd. Er zijn duizenden herhalingen nodig om een ​​gloednieuw eiwit te maken.

Met behulp van dit proces hebben we 2.000 nieuwe eiwitsequenties gegenereerd waarvan werd voorspeld dat ze zich tot goed gedefinieerde structuren zouden vouwen. Hiervan hebben we er meer dan 100 geselecteerd die het meest verschillend van vorm waren om fysiek te recreëren in het laboratorium. Ten slotte kozen we drie van de topkandidaten voor gedetailleerde analyse en bevestigden we dat ze dicht bij de vormen waren die werden voorspeld door onze gehallucineerde modellen.

Waarom nieuwe eiwitten hallucineren?

Onze hallucinatiebenadering vereenvoudigt de eiwitontwerppijplijn aanzienlijk. Door de noodzaak voor sjablonen te elimineren, kunnen onderzoekers zich direct concentreren op het maken van een eiwit op basis van gewenste functies en het netwerk de structuur voor hen laten uitzoeken.

Ons werk opent meerdere wegen voor onderzoekers om te verkennen. Ons lab onderzoekt momenteel hoe deze hallucinatiebenadering het beste kan worden gebruikt om nog meer specificiteit te genereren in de functie van ontworpen eiwitten. Onze aanpak kan ook gemakkelijk worden uitgebreid om nieuwe eiwitten te ontwerpen met behulp van andere recent ontwikkelde diepe neurale netwerken.

De potentiële toepassingen van de novo-eiwitten zijn enorm. Met diepe neurale netwerken kunnen onderzoekers nog meer eiwitten maken die plastic kunnen afbreken om milieuvervuiling te verminderen, ongezonde cellen te identificeren en erop te reageren en vaccins tegen bestaande en nieuwe ziekteverwekkers te verbeteren, om er maar een paar te noemen.