Onderzoekers van Stanford hebben een algoritme gemaakt dat, geleid door eerder onderzoek, beschrijft de DNA-sequenties die het meest waarschijnlijk overeenkomen met antimicrobiële eigenschappen.

Nu de dreiging van antibioticaresistentie opdoemt, niet alleen microbiologen bedenken nieuwe oplossingen. James Zou, doctoraat, assistent-professor biomedische datawetenschap aan Stanford, heeft machine learning toegepast om een ​​algoritme te creëren dat duizenden geheel nieuwe virtuele DNA-sequenties genereert met de bedoeling op een dag antimicrobiële eiwitten te creëren.

Het algoritme, genaamd Feedback GAN, fungeert in wezen als een massaproducent van verschillende DNA-fragmenten. En hoewel deze reekspogingen enigszins willekeurig zijn, het algoritme werkt niet blindelings. Het baseert de nieuwe mogelijke peptiden, of kleine groepen aminozuren, op eerder onderzoek dat de DNA-sequenties aangeeft die het meest waarschijnlijk overeenkomen met antimicrobiële eigenschappen.

Voor nu, deze sjablonen, die in de natuur niet bestaan, zijn theoretisch, gegenereerd op een computer. Maar in het licht van de toenemende bezorgdheid over resistentie tegen microben, Zou zei dat het van cruciaal belang is om na te denken over oplossingen die nog niet bestaan.

"We hebben ervoor gekozen om antimicrobiële eiwitten na te streven omdat het een zeer belangrijk, high-impact probleem dat ook een relatief handelbaar probleem is voor het algoritme, " zei Zou. "Er zijn bestaande hulpmiddelen die we in ons systeem opnemen en die evalueren of een nieuwe sequentie waarschijnlijk de eigenschappen heeft van een succesvol antimicrobieel eiwit."

Feedback GAN bouwt daarop voort, werken om precies de juiste balans tussen willekeurig toeval en precisie op te nemen.

Een paper waarin het algoritme wordt beschreven, werd online gepubliceerd op 11 februari in Machine learning in de natuur . Anvita Gupta, een student informatica, is de eerste auteur; Zou is de senior auteur.

Zelfverfijnend

Het algoritme van Gupta en Zou produceert niet alleen nieuwe combinaties van DNA. Het verfijnt zichzelf ook actief, leren wat werkt en wat niet via een feedbacklus:nadat het algoritme een breed scala aan DNA-sequenties heeft uitgespuugd, het voert een leerproces met vallen en opstaan ​​​​dat de peptide-suggesties doorzoekt. Op basis van hun gelijkenis met andere bekende antimicrobiële peptiden, de "goede" worden teruggevoerd naar het algoritme om toekomstige DNA-sequenties te informeren die uit de code worden gegenereerd, en om zichzelf te verfijnen.

"Er is een ingebouwde arbiter en, door deze feedbacklus te hebben, het systeem leert nieuw gegenereerde sequenties te modelleren naar die waarvan wordt aangenomen dat ze antimicrobiële eigenschappen hebben, " Zei Zou. "Dus het idee is dat zowel individuele peptidesequenties als de generatie van de sequenties steeds beter worden."

Zou heeft ook een ander kernonderdeel van hypothetische eiwitten overwogen:eiwitvouwing. Eiwitten vervormen tot zeer specifieke structuren die verband houden met hun functies. Een algoritme kan de perfecte reeks creëren, maar tenzij het kan opvouwen, het is nutteloos - zoals de radertjes van een klok die op een tafel liggen.

Zou kan het algoritme aanpassen zodat in plaats van een neiging tot antimicrobiële eigenschappen te analyseren, het bepaalt de kans op correct vouwen.

"We kunnen deze twee dingen eigenlijk parallel doen, waarbij we kijken naar antimicrobiële eigenschappen van de ene sequentie en de waarschijnlijkheid van een andere vouwen, " zei Zou. "We gebruiken beide zodat we de antimicrobiële eigenschappen of het vermogen om te vouwen optimaliseren."

Volgende, Zou hoopt de twee varianten van het algoritme samen te voegen om peptidesequenties te creëren die zijn geoptimaliseerd voor zowel hun microbe-dodende capaciteiten als hun vermogen om te vouwen tot een echt eiwit.