Google DeepMind-ը ներկայացրել է SynthID Bio՝ AI-ով ստեղծված սպիտակուցների ջրային նշանի համակարգ

Google DeepMind-ը սեպտեմբերի 30-ին ներկայացրել է SynthID Bio-ն՝ ջրային նշանի մեթոդների ընտանիք, որը ստեղծվել է սինթետիկ կենսաբանության համար։ Համակարգը անտեսանելի նշան է դնում AI-ով ստեղծված դիզայնների վրա, որպեսզի սպիտակուցը հնարավոր լինի նույնականացնել նաև լաբորատորիայում սինթեզից հետո։ Հայտարարությունը արվել է Nature-ի հոդվածի հետ միասին։

Ինչպես է աշխատում ջրային նշանը

SynthID Bio-ն Google-ի արդեն փորձարկված SynthID տեխնոլոգիան հարմարեցնում է կենսաբանական տվյալներին։ Սպիտակուցների հաջորդականության դեպքում այն աշխատում է ProteinMPNN-ի հետ. երբ այս գործիքը կմախքի վրա ամինաթթուները մեկ առ մեկ դասավորում է, SynthID Bio-ն բանալու և արդեն ընտրված ամինաթթուների հիման վրա առաջարկում է հաջորդը։ ProteinMPNN-ը առաջարկն ընդունում է միայն այն դեպքում, երբ այն համապատասխանում է կմախքի ձևին և սահմանափակումներին, ուստի նշանը տարածվում է ամբողջ հաջորդականությամբ։

Ճանաչումը վիճակագրական է. բանալու տերը ստուգում է ամբողջ հաջորդականությունը և չափում, թե որքան հաճախ են դրանում հայտնվում SynthID Bio-ի ամինաթթուները։ Կանխատեսված 3D կառուցվածքների համար թիմը ճշգրտել է AlphaFold 3-ի դիֆուզիոն ցանցի փոքր մասը, որպեսզի նշանը ներկառուցվի մոդելի կշիռներում։ Մեթոդը պահպանում է AlphaFold 3-ի ճշգրտությունը։

Լաբորատոր արդյունքներ և կենսաանվտանգություն

Հետազոտողները AlphaProteo-ի հետ միասին փորձարկել են երեք թիրախ՝ VEGF-A, SARS-CoV-2-ի spike սպիտակուցի RBD և PD-L1։ Նշանավորված տարբերակները համընկել են չնշանավորված վերահսկիչի հետ հարվածի հաճախականությամբ, կապման աֆինությամբ և հաջորդականության բնական բազմազանությամբ։ Ըստ DeepMind-ի՝ սրանք ջրային նշանով նշանավորված և կենսաբանորեն ֆունկցիոնալ առաջին սպիտակուցային կապիչներն են։

Հիմնական նպատակը ԴՆԹ-ի սինթեզի սկրինինգն է։ Սինթեզի մատակարարները մուտքային պատվերները համեմատում են հայտնի սպառնալիքների բազաների հետ, սակայն օտար AI-դիզայնը նման չէ առկա գրառումներին։ DeepMind-ի կարծիքով, եթե մատակարարները վստահելի կազմակերպությունների բանալիներ ունենան, նրանք արագ կորոշեն, որ անհայտ սպիտակուցը ստեղծվել է վստահելի մոդելով, և ռեսուրսները կուղղեն կասկածելի պատվերներին։ Նշանը նաև նպաստում է Protein Data Bank-ի, UniProt-ի և GenBank-ի ճշգրտությանը։

Սահմանափակումներ

Անվտանգությունը կախված է բանալիների բաշխումից։ Շատ կարճ սպիտակուցներում նշանի ամինաթթուները կարող են բավարար չափով չհայտնվել։ Չնշանավորված հաջորդականության ավելացումը, օրինակ՝ բնական ֆլուորեսցենտ սպիտակուցի հետ միաձուլումը, թուլացնում է նշանը, իսկ նպատակային միջամտությամբ այն կարելի է նաև ջնջել։ Շատ AI գործիքներ չեն օգտագործում ProteinMPNN, ուստի ոչ բոլոր դիզայներները կարող են նշան դնել։ Ճանաչման շեմը փոխում է կեղծ դրական և կեղծ բացասական արդյունքների միջև հավասարակշռությունը։ Ars Technica-ի գնահատմամբ՝ մեթոդի գործնական օգուտը այս ձևով դեռ ամբողջովին պարզ չէ, սակայն այն փաստը, որ մոտեցումն աշխատում է, կարևոր է։

DeepMind-ը կոդը և in vitro տվյալները կհրապարակի որպես բաց կոդ և մոտեցումը ստուգում է նաև Evo 2 մոդելով ստեղծված բակտերիոֆագի գենոմի վրա։

Աղբյուրներ՝ Ars Technica · Google DeepMind