Google DeepMind-მა AI-ით შექმნილი ცილებისთვის წყლის ნიშნის სისტემა SynthID Bio წარადგინა

Google-ის DeepMind-მა 30 სექტემბერს SynthID Bio წარადგინა, წყლის ნიშნის მეთოდების ოჯახი, რომელიც სინთეტიკური ბიოლოგიისთვის შეიქმნა. სისტემა AI-ით შექმნილ დიზაინში უხილავ ნიშანს ასვამს, რათა ცილა ლაბორატორიაში სინთეზის შემდეგაც იდენტიფიცირდეს. განცხადება Nature-ის სტატიასთან ერთად გაკეთდა.

როგორ მუშაობს წყლის ნიშანი

SynthID Bio Google-ის უკვე გამოცდილ SynthID ტექნოლოგიას ბიოლოგიურ მონაცემებზე ადაპტირებს. ცილების მიმდევრობის შემთხვევაში ის ProteinMPNN-თან მუშაობს: როცა ეს ხელსაწყო ჩონჩხზე ამინომჟავებს სათითაოდ ალაგებს, SynthID Bio გასაღებისა და უკვე არჩეული ამინომჟავების მიხედვით შემდეგს სთავაზობს. ProteinMPNN შეთავაზებას მხოლოდ მაშინ იღებს, თუ ის ჩონჩხის ფორმასა და შეზღუდვებს აკმაყოფილებს, ამიტომ ნიშანი მთელ მიმდევრობაზე ნაწილდება.

ამოცნობა სტატისტიკურია: გასაღების მფლობელი მთელ მიმდევრობას ამოწმებს და ზომავს, რამდენად ხშირად ჩნდება მასში SynthID Bio-ს ამინომჟავები. პროგნოზირებული 3D სტრუქტურებისთვის გუნდმა AlphaFold 3-ის დიფუზიური ქსელის მცირე ნაწილი დააზუსტა, რათა ნიშანი მოდელის წონებშივე ჩაშენდეს. მეთოდი AlphaFold 3-ის სიზუსტეს ინარჩუნებს.

ლაბორატორიული შედეგები და ბიოუსაფრთხოება

მკვლევრებმა AlphaProteo-სთან ერთად სამ სამიზნეზე შეამოწმეს: VEGF-A, SARS-CoV-2-ის spike ცილის RBD და PD-L1. მონიშნული ვარიანტები შეუნიშნავ კონტროლს დაემთხვა დარტყმის სიხშირით, დაკავშირების აფინურობითა და მიმდევრობის ბუნებრივი მრავალფეროვნებით. DeepMind-ის თქმით, ეს პირველი წყლის ნიშნით მონიშნული და ბიოლოგიურად ფუნქციური ცილის ბაინდერებია.

მთავარი მიზანი დნმ-ის სინთეზის სკრინინგია. სინთეზის პროვაიდერები შემოსულ შეკვეთებს ცნობილი საფრთხეების ბაზებთან ადარებენ, თუმცა უცხო AI-დიზაინი არსებულ ჩანაწერებს არ ჰგავს. DeepMind-ის აზრით, თუ პროვაიდერებს სანდო ორგანიზაციების გასაღებები ექნებათ, ისინი სწრაფად დაადგენენ, რომ უცნობი ცილა სანდო მოდელითაა შექმნილი, და რესურსს ეჭვმიტანილ შეკვეთებზე მიმართავენ. ნიშანი Protein Data Bank-ის, UniProt-ისა და GenBank-ის სიზუსტესაც უწყობს ხელს.

შეზღუდვები

უსაფრთხოება გასაღებების განაწილებაზეა დამოკიდებული. ძალიან მოკლე ცილებში შესაძლოა ნიშნის ამინომჟავები საკმარისად არ მოხვდეს. უნიშნო მიმდევრობის დამატება, მაგალითად ბუნებრივ ფლუორესცენტურ ცილასთან შერწყმა, ნიშანს ასუსტებს, ხოლო მიზანმიმართული ჩარევით მისი წაშლაც შესაძლებელია. ბევრი AI ხელსაწყო ProteinMPNN-ს არ იყენებს, ამიტომ ყველა დიზაინერს ნიშნის დასმა არ შეუძლია. ამოცნობის ზღვარი ცრუ დადებით და ცრუ უარყოფით შედეგებს შორის ბალანსს ცვლის. Ars Technica-ს შეფასებით, მეთოდის პრაქტიკული სარგებელი ამ ფორმით ჯერ ბოლომდე ნათელი არ არის, თუმცა თავად ის ფაქტი, რომ მიდგომა მუშაობს, მნიშვნელოვანია.

DeepMind კოდსა და in vitro მონაცემებს ღია წყაროდ გამოუშვებს და მიდგომას Evo 2 მოდელით შექმნილ ბაქტერიოფაგის გენომზეც ამოწმებს.

წყაროები: Ars Technica · Google DeepMind