La rete neurale aiuta a progettare proteine ​​nuove di zecca

Un approccio flessibile e basato sul linguaggio si rivela sorprendentemente efficace nel risolvere problemi intrattabili nella scienza dei materiali.

Istituto Americano di Fisica

immagine: visualizzazioni di esempio di biomateriali proteici di progettazione, creati utilizzando una rete neurale a grafo trasformatore in grado di comprendere istruzioni complesse e analizzare e progettare materiali a partire dai loro elementi costitutivi definitivi.vedere di più

Credito: Markus Buehler

WASHINGTON, 29 agosto 2023 – Con le loro intricate disposizioni e funzionalità dinamiche, le proteine ​​svolgono una miriade di compiti biologici impiegando disposizioni uniche di semplici elementi costitutivi in ​​cui la geometria è fondamentale. Tradurre questa libreria quasi illimitata di disposizioni nelle rispettive funzioni potrebbe consentire ai ricercatori di progettare proteine ​​personalizzate per usi specifici.

Nel Journal of Applied Physics, di AIP Publishing, Markus Buehler del Massachusetts Institute of Technology ha combinato le reti neurali dell’attenzione, spesso denominate trasformatori, con le reti neurali dei grafici per comprendere e progettare meglio le proteine. L’approccio unisce i punti di forza dell’apprendimento profondo geometrico con quelli dei modelli linguistici non solo per prevedere le proprietà delle proteine ​​esistenti ma anche per immaginare nuove proteine ​​che la natura non ha ancora ideato.

"Con questo nuovo metodo, possiamo utilizzare tutto ciò che la natura ha inventato come base di conoscenza modellando i principi sottostanti", ha affermato Buehler. “Il modello ricombina questi elementi costitutivi naturali per ottenere nuove funzioni e risolvere questo tipo di compiti”.

A causa delle loro strutture complesse, della capacità di multitasking e della tendenza a cambiare forma una volta disciolte, le proteine ​​sono notoriamente difficili da modellare. L’apprendimento automatico ha dimostrato la capacità di tradurre le forze su scala nanometrica che governano il comportamento delle proteine ​​in strutture operative che ne descrivono la funzione. Tuttavia, andare nella direzione opposta, ovvero trasformare una funzione desiderata in una struttura proteica, rimane una sfida.

Per superare questa sfida, il modello di Buehler trasforma numeri, descrizioni, compiti e altri elementi in simboli da utilizzare per le sue reti neurali.

Per prima cosa ha addestrato il suo modello a prevedere il sequenziamento, la solubilità e gli elementi costitutivi degli amminoacidi di diverse proteine ​​dalle loro funzioni. Gli ha poi insegnato a essere creativo e a generare strutture completamente nuove dopo aver ricevuto i parametri iniziali per la funzione di una nuova proteina.

L’approccio gli ha permesso di creare versioni solide di proteine ​​antimicrobiche che in precedenza dovevano essere sciolte in acqua. In un altro esempio, il suo team ha preso una proteina della seta naturale e l’ha evoluta in varie nuove forme, tra cui dandole una forma elicoidale per una maggiore elasticità o una struttura pieghettata per una maggiore resistenza.

Il modello ha svolto molti dei compiti centrali della progettazione di nuove proteine, ma Buehler ha affermato che l’approccio può incorporare ancora più input per più compiti, rendendolo potenzialmente ancora più potente.

“Un elemento di grande sorpresa è stato che il modello ha funzionato eccezionalmente bene anche se è stato sviluppato per essere in grado di risolvere più compiti. Ciò è probabilmente dovuto al fatto che il modello impara di più considerando compiti diversi”, ha affermato. “Questo cambiamento significa che invece di creare modelli specializzati per compiti specifici, i ricercatori possono ora pensare in modo ampio in termini di modelli multitasking e multimodali”.

La natura ampia di questo approccio significa che questo modello può essere applicato a molte aree al di fuori della progettazione delle proteine.

"Anche se il nostro obiettivo attuale sono le proteine, questo metodo ha un vasto potenziale nella scienza dei materiali", ha affermato Buehler. "Siamo particolarmente interessati a esplorare i comportamenti di cedimento dei materiali, con l'obiettivo di progettare materiali con modelli di cedimento specifici."

###

L'articolo "Rete neurale del grafico del trasformatore autoregressivo preaddestrato generativo applicato all'analisi e alla scoperta di nuove proteine" è scritto da Markus Buehler. Apparirà nel Journal of Applied Physics il 29 agosto 2023 (DOI: 10.1063/5.0157367). Dopo tale data sarà possibile accedervi all'indirizzo https://doi.org/10.1063/5.0157367.