首先,必须生成一种新的蛋白形状。在第一篇论文中,Baker团队指出人工智能可以通过两种方式生成新的蛋白形状。第一种方法被称为幻化(hallucination),类似于DALL-E或其他根据简单的提示产生输出的生成型人工智能工具。第二种方法被称为“图像修复(inpAInting)”,类似于现代搜索栏中的自动完成功能。相关研究结果发表在2022年7月22日的Science期刊上,论文标题为“Scaffolding protein functional sites using deep learning”。
其次,为了加速这一过程,Baker团队设计了一种新的算法来生成氨基酸序列。在第二篇论文中,他们描述了这种称为ProteinMPNN的软件工具,它的运行时间约为一秒。这比以前最好的软件快200多倍。其结果优于之前的工具,而且该软件不需要专家定制就能运行。相关研究结果于2022年9月15日在线发表在Science期刊上,论文标题为“Robust deep learning–based protein sequence design using ProteinMPNN”。
华盛顿大学蛋白设计研究所博士后研究员Basile Wicky说,“我们发现利用ProteinMPNN制造的蛋白更有可能按照预期折叠起来,而且我们可以使用这些方法构建非常复杂的蛋白组装体。”
在制作的新蛋白中,有一些纳米大小的环,这些作者认为它们可以成为定制纳米机械的部件。电子显微镜被用来观察这些直径大约比罂粟种子小十亿倍的环。
Baker说,“这是机器学习在蛋白设计中的开始。在未来几个月里,我们将努力改进这些工具,以构建出更加动态和功能性的蛋白。”(生物谷 Bioon.com) 参考资料: 1. Jue Wang et al.Scaffolding protein functional sites using deep learning. Science, 2022, doi:10.1126/science.abn2100. 2. J. Dauparas et al.Robust deep learning based protein sequence design using ProteinMPNN. Science, 2022, doi:10.1126/science.add2187. 3. B.I.M.Wicky et al.Hallucinating symmetric protein assemblies. Science, 2022, doi:10.1126/science.add1964. 4. Beyond AlphaFold: AI excels at creating new proteins https://phys.org/news/2022-09-alphafold-ai-excels-proteins.html