Senken Sie die Schwelle! Wie groß wird der Trend zu KI-angepassten Proteinen sein?

Der folgende Artikel stammt von Nature Portfolio, Autor Nature Portfolio

Mithilfe der heutigen digitalen Maltechnologie kann das Design nützlicher biologischer Moleküle nach Bedarf individuell angepasst werden.

„Okay, fangen wir jetzt an.“ David Juergens, ein Computerchemiker an der University of Washington, plant, ein Protein zu entwickeln, das in den letzten drei Milliarden Jahren der Evolution noch nie aufgetaucht ist.

In einem Videoanruf heute Morgen stellte Jürgens die Cloud-Version von RFdiffusion vor, einem Tool für künstliche Intelligenz (KI), an dessen Entwicklung er beteiligt war. Dieses neuronale Netzwerk und andere ähnliche Tools bringen die Proteinanpassung in die Mainstream-Forschung – eine Leistung, die bis vor kurzem schwierig war und oft scheiterte.

Ein KI-Tool namens RFdiffusion hat ein Protein entwickelt, das an Parathormon (rosa) bindet. Quelle: Ian C. Haydon/UW Institute for Protein Design

Diese Proteine ​​könnten die Grundlage für Impfstoffe, Therapeutika und Biomaterialien bilden. „Dies ist absolut ein disruptiver Moment“, sagt Gevorg Grigoryan, Chief Technology Officer von Generate Biomedicines, einem Biotech-Unternehmen in Massachusetts. Das Biotechnologieunternehmen versucht, Proteindesign auf die Arzneimittelentwicklung anzuwenden.

Die Tools sind von KI-Software inspiriert, die realistische Bilder synthetisieren kann, wie beispielsweise „Midjourney“, das dieses Jahr mit seinem synthetischen Foto des Papstes in einer weißen Designer-Daunenjacke viral ging. Die Forscher fanden heraus, dass sich mit ähnlichen Konzepten realistische Proteinformen erzeugen lassen, die den Anforderungen des Designers entsprechen. Das bedeutet, dass es nun möglich ist, schnell neue Proteine ​​zu entwerfen, die fest an ein anderes Biomolekül binden. Und erste Experimente zeigen, dass sich bei der Synthese dieser Proteine ​​durch die Forscher eine kleine Anzahl nützlicher Proteine ​​so verhält, wie es die Software vorhergesagt hat.

Diese Werkzeuge haben den Proteindesignprozess im vergangenen Jahr revolutioniert, sagen Forscher. „Es ist eine plötzliche Explosion der Möglichkeiten“, sagt Mohammed AlQuraishi, ein Computerbiologe an der Columbia University in New York. Sein Team entwickelte ein Proteindesign-Tool. „Sie können jetzt Proteine ​​entwerfen, die die gewünschte Funktion haben.“

„Sie passen eine Proteinstruktur an ein Problem an“, sagt David Baker, ein Computerbiophysiker an der University of Washington, dessen Team die RFdiffusion entwickelt hat und dem Jürgens angehört. Das Team veröffentlichte die Software im März 2023 und veröffentlichte ein Papier, das das neuronale Netzwerk beschreibt, in Nature [1]. (Ein Vorabdruck dieses Artikels wurde Ende 2022 veröffentlicht, als mehrere andere Gruppen, darunter AlQuraishi[2] und Grigoryans Team, über ähnliche neuronale Netzwerke berichteten.)

Dies sei das erste Mal, dass Proteindesigner über diese reproduzierbaren und zuverlässigen Werkzeuge verfügten und sie damit eine völlig neue Industrie aufbauen könnten, sagte Grigoryan. „Die nächste Herausforderung ist: Was können Sie damit machen?“

Großartiger Entwurf

Einige der gewünschten Eigenschaften des Proteins gab Jürgens in ein Webformular ein, das einem Online-Steuerrechner ähnelt. Es muss 100 Aminosäuren lang sein und einen symmetrischen Komplex aus zwei Proteinen bilden, der als Homodimer bezeichnet wird. Viele Zellrezeptoren haben diese Konfiguration, und ein neues Homodimer könnte als synthetisches Zellsignalmolekül dienen, sagt Joe Watson, ein Computerbiochemiker an der University of Washington. Watson hat bei der Entwicklung von RFdiffusion mitgewirkt und auch am heutigen Videoanruf teilgenommen. Aber das Design von heute Morgen war nur darauf ausgelegt, ein realistisches Protein zu simulieren und hatte keinen anderen Zweck.

Seit Jahrzehnten kämpfen Forscher mit der Entwicklung neuer Proteine. Zunächst versuchten sie, nützliche Teile bestehender Proteine ​​zusammenzusetzen, etwa den Teil eines Enzyms, der eine chemische Reaktion katalysiert. Dieser Ansatz erfordert ein Verständnis der Faltung und Funktionsweise von Proteinen und beruht auf Intuition und viel Ausprobieren. Manchmal müssen Wissenschaftler Tausende von Designs prüfen, bevor sie eines finden, das ihren Erwartungen entspricht.

Baker sagt, das Aufkommen von AlphaFold (entwickelt vom Londoner KI-Unternehmen DeepMind, jetzt Google DeepMind) und anderen KI-Modellen, die die Proteinstruktur anhand von Aminosäuresequenzen genau vorhersagen können, sei ein Zeichen der Hoffnung. Die Entwickler fanden heraus, dass diese neuronalen Netzwerke, die mit echten Proteinsequenzen und -strukturen trainiert wurden, auch zur Entwicklung von Proteinen von Grund auf verwendet werden könnten.

Bakers Gruppe und andere haben in den letzten Jahren mehrere KI-basierte Proteindesign-Tools veröffentlicht. Diese Tools verwenden eine Methode namens Halluzination , bei der eine zufällige Kette von Aminosäuren erstellt wird, die dann von einem Tool wie AlphaFold oder RoseTTAFold optimiert wird, bis sie etwas bildet, von dem das neuronale Netzwerk glaubt, dass es sich in eine bestimmte Struktur falten wird. Bei einem anderen Ansatz namens Inpainting wird eine bestimmte Proteinsequenz oder -struktur verwendet und mithilfe von RoseTTAFold der Rest des Moleküls darum herum aufgebaut.

Allerdings sind diese Tools noch nicht perfekt. Experimente haben gezeigt, dass Strukturen, die mit der „Halluzinationsmethode“ entworfen wurden, sich bei der Synthese im Labor nicht immer an die richtige Stelle falten, sondern als Materialhaufen am Boden eines Reagenzglases enden. Mit der „Halluzinations“-Methode ist es außerdem schwierig, andere Produkte als kleine Proteine ​​herzustellen (obwohl andere Forscher in einem Preprint-Artikel im Februar vorschlugen, dass die Methode zum Entwurf längerer Moleküle verwendet werden könnte[4]). Auch bei der Bildung von Proteinen aus kurzen Fragmenten ist die „Reparatur“-Methode nicht sehr effektiv. Dieser Ansatz liefert zwar theoretische Proteinstrukturen, kann jedoch keine unterschiedlichen Problemlösungen liefern und so die Erfolgschancen erhöhen.

Hier kommen RFdiffusion und ähnliche KI-Tools für das Proteindesign ins Spiel, die in den letzten Monaten veröffentlicht wurden. Sie folgen denselben Prinzipien wie neuronale Systeme, die realistische Bilder synthetisieren, wie etwa Stable Diffusion, DALL-E und Midjourney. Diese „Diffusions“ -Netzwerke werden anhand von Daten trainiert, seien es Bilder oder Proteinstrukturen. Der Trainingsprozess „verrauscht“ die Daten, sodass das Endergebnis keinerlei Ähnlichkeit mit dem Ausgangsbild oder der Ausgangsstruktur aufweist. Das Netzwerk lernt dann, die Daten zu „entrauschen“ und die Aufgabe umgekehrt auszuführen.

Netzwerke wie RFdiffusion werden mithilfe von Zehntausenden realer Proteinstrukturen trainiert, die in der Protein Data Bank (PDB) gespeichert sind. Wenn das Netzwerk ein neues Protein entwirft, beginnt es mit totalem Rauschen: einer zufälligen Kombination von Aminosäuren. „Sie möchten wissen, welches Protein dieses Geräusch erzeugt“, sagt Watson. Nach mehreren Runden der Rauschunterdrückung werden Proteine ​​erzeugt, die realistisch aussehen, aber tatsächlich völlig neu sind.

Als Bakers Team die RFdiffusion testete, ohne andere Anweisungen als die Proteinlänge zu geben, lieferte das Netzwerk eine Vielzahl von Proteinen, die realistisch aussahen und sich völlig von denen unterschieden, die mit dem PDB trainiert wurden.

Das Team konnte das Programm jedoch auch anweisen, während des Rauschunterdrückungsprozesses, einem als „Konditionierung“ bezeichneten Prozess, Proteine ​​entsprechend spezifischer Designanforderungen zu entwerfen.

Bakers Team bat RFdiffusion beispielsweise, Proteine ​​zu entwerfen, die eine bestimmte gefaltete Struktur aufweisen oder sich an die Oberfläche eines anderen Moleküls anheften können (der Interaktionsmechanismus hinter der Bindung). Grigoryans Team entwickelte außerdem ein Diffusionsnetzwerk namens Chroma, das es durch Konditionierung ermöglicht, Proteine ​​zu entwerfen, die den 26 Großbuchstaben des englischen Alphabets und arabischen Ziffern ähneln[3].

KI hat Proteine ​​entwickelt, die dem englischen Alphabet ähneln. Quelle: John Ingraham, Wujie Wang, Max Baranov, Gevorg Grigoryan

Rauschsignal

Auf Jürgens‘ Computerbildschirm erscheint zu Beginn Rauschen, das heißt, das KI-System startet mit einer Vielzahl zufälliger Aminosäuresequenzen. Es waren rote, unordentliche Linien, die wie die Fingermalereien eines Kindes aussahen. Sie wandeln sich außerdem Bild für Bild in komplexere Strukturen mit proteinähnlichen Merkmalen um, wie etwa enge Spiralen, sogenannte Alpha-Helices, und umgekehrte Filamente, sogenannte Beta-Faltblätter. „Dies ist eine perfekte Kombination aus Alpha-Beta-Topologie“, sagte Jürgens beim Betrachten des Proteins, dessen Entwicklung nur wenige Minuten gedauert hatte. „Es sieht gut aus.“

Bakers Labor verwendet dieses Tool. „Der gesamte Designprozess ist ganz anders als vor einem Jahr“, sagte er. Das neuronale Netzwerk kann bei Aufgaben hervorragende Ergebnisse erzielen, die für andere Methoden ineffizient, schwierig oder erfolglos sind.

In einer in der Studie[1] berichteten Analyse begann das Forschungsteam mit einem Fragment eines anderen Proteins, beispielsweise einem Teil eines viralen Proteins, das Immunzellen erkennen können, und ließ das KI-Tool 100 verschiedene neue Proteine ​​generieren, um zu sehen, wie viele davon das gesuchte Motiv enthielten. Das Team stellte sich dieser Aufgabe mit 25 verschiedenen Ausgangsformen. Die Endergebnisse enthielten nicht immer die ursprünglichen Fragmente, aber die RF-Diffusion erzeugte in 23 von ihnen Proteine ​​mit mindestens einem Zielmotiv, verglichen mit 15 bei der „Halluzinations“-Methode und 12 bei der „Reparatur“-Methode.

Es wurde auch gezeigt, dass sich mit RF-Diffusion Proteine ​​erzeugen lassen, die sich selbst zu komplexen Nanopartikeln zusammensetzen, die Arzneimittel oder Impfstoffkomponenten transportieren können. Auch mit früheren KI-Methoden[5] war es möglich, diese Art von Protein zu entwerfen, Watson ist jedoch der Ansicht, dass das Design von RFdiffusion ausgefeilter ist.

Neuronale Netzwerke wie RFdiffusion scheinen gut darin zu sein, Proteine ​​zu entwerfen, die an ein anderes spezifisches Protein binden können. Bakers Team nutzte dieses Netzwerk, um Proteine ​​zu entwickeln, die fest an Proteine ​​binden, die an Krankheiten wie Krebs und Autoimmunerkrankungen beteiligt sind. In einem erfolgreichen Experiment, sagt er, hätten sie ein Protein entwickelt, das fest an ein schwer anzugreifendes Immunsignalmolekül bindet – ein Zielmolekül, das mit Antikörpermedikamenten jedes Jahr Milliardenumsätze generiert. „Es erweitert die Palette der Proteine, die wir finden können, die daran binden, und ermöglicht die Entwicklung nützlicher Therapeutika“, sagte Watson.

Tests in der realen Welt

Da Bakers Team so viele Proteine ​​entwarf, wurde es zu einer gewaltigen Aufgabe, zu testen, ob sie die beabsichtigte Funktion hatten. „Ein einziger Algorithmus für maschinelles Lernen kann ein Protein entwerfen, mit dem 100 Biologen monatelang beschäftigt wären“, sagt Kevin Yang, ein Forscher bei Microsoft Research in Massachusetts, der sich mit biomedizinischem maschinellem Lernen beschäftigt.[6]

Doch erste Anzeichen deuten darauf hin, dass das Design von RFdiffusion das einzig Wahre ist. In einer anderen von ihnen beschriebenen Aufgabe verwendete Bakers Team das Tool, um Proteine ​​zu entwerfen, die Schlüsselfragmente von p53 enthalten, einem Signalmolekül, das bei vielen Krebsarten überaktiv ist (und ein attraktives Ziel für Medikamente darstellt). Als das Team 95 von der Software entwickelte Proteine ​​synthetisierte (indem es Bakterien so veränderte, dass sie diese exprimierten), besaßen mehr als die Hälfte die Fähigkeit, p53 an sein natürliches Ziel, MDM2, zu binden. Das beste Design wies eine mehr als 1.000-mal stärkere Bindung auf als natürliches p53. Wenn Forscher den „Halluzinations“-Ansatz verwenden, wird zwar vorhergesagt, dass die Entwürfe funktionieren, im Reagenzglas funktioniert dies jedoch nicht, sagte Watson.

Insgesamt, so Baker, habe sein Team herausgefunden, dass 10 bis 20 Prozent der RFdiffusion-Designs eng mit ihren beabsichtigten Zielen harmonierten und nützliche Effekte erzielten. Bei Ansätzen vor der Einführung künstlicher Intelligenz liege die Erfolgsrate dagegen unter 1 Prozent. (Mit früheren Ansätzen des maschinellen Lernens war es nicht möglich, Bindungsproteine ​​zuverlässig zu entwerfen, sagt Watson.) Matthias Gloegl, ein Biochemiker und Kollege an der University of Washington, sagt, seine Erfolgsquote liege in letzter Zeit bei fast 50 %, was bedeutet, dass es statt Monaten nur ein oder zwei Wochen dauern könnte, bis man ein brauchbares Design erhält. „Es ist irgendwie verrückt“, sagte er.

Eine trichterförmige Proteinanordnung (obere Reihe) und eine Ringstruktur mit sechs Proteinketten (untere Reihe), die mithilfe von Rauschen vom diffusionsbasierten KI-Zeichnungsgenerator entworfen wurden. Quelle: Ian C. Haydon/UW Institute for Protein Design

Bis Ende Juni hatte die Cloud-Version von RFdiffusion etwa 100 Benutzer pro Tag, sagt Sergey Ovchinnikov, Evolutionsbiologe an der Harvard University. Joel Mackay, ein Biochemiker an der Universität von Sydney in Australien, versuchte, mithilfe von RF-Diffusion Proteine ​​zu entwickeln, die an andere Proteine ​​binden können, die er im Labor untersucht, darunter auch Transkriptionsfaktoren, die die Genaktivität in Zellen steuern. Er fand den Designprozess einfach und nutzte Computermodelle, um zu bestätigen, dass die Proteine ​​theoretisch an die Transkriptionsfaktoren binden könnten.

Mackay testet nun, ob diese Proteine, wenn sie in Zellen produziert werden, die Genexpression wie erwartet verändern können. Er hofft, dass alles gut geht, denn solche Entdeckungen könnten eine einfache Möglichkeit bieten, bestimmte Transkriptionsfaktoren in Zellen an- und auszuschalten, ohne dass dafür Medikamente nötig wären, deren Entwicklung Jahre dauert – falls solche Medikamente überhaupt entwickelt werden können. „Wenn dieser Ansatz für unser Protein funktioniert, wäre das ein Wendepunkt“, sagte er.

Zukünftige Optimierung

Die neuesten Modelle wie RFdiffusion seien „ein Quantensprung“, sagt Charlotte Deane, Immuninformatikerin an der Universität Oxford im Vereinigten Königreich. Doch wesentliche Fragen bleiben ungelöst. „Es kann den Menschen die Augen für das Potenzial dieser Diffusionsmodelle öffnen“, sagte sie.

Eine Anwendung, die sie und andere Wissenschaftler und Biotech-Unternehmen interessiert, ist die Entwicklung komplexerer Bindungsproteine, wie etwa Antikörper oder Proteinrezeptoren, die von T-Zellen, einer Art Immunzellen, verwendet werden. Diese Proteine ​​haben flexible, gewundene Strukturen, die sich mit ihren Zielen verhaken können, während die RF-Diffusion derzeit an flachen, sandwichartigen Schnittstellen am besten funktioniert. Baker sagte, sie hätten mit Antikörpern Fortschritte gemacht.

Ovchinnikov und andere glauben, dass diese Art der Gestaltung im Allgemeinen für Biomoleküle schwieriger ist, deren Funktion davon abhängt, dass sich lose Bereiche in verschiedene Formen falten. Es hat sich gezeigt, dass diese Eigenschaften mithilfe von KI nur schwer zu simulieren sind. „Wenn die Frage ist, ob man etwas anderes kombinieren und unterdrücken kann“, sagte Ovchinnikov, „dann lässt sich das Problem mit diesen Methoden lösen. Für komplexere Aufgaben, wie etwa die Simulation natürlicher Phänomene, ist jedoch etwas mehr Flexibilität erforderlich.“

Tanja Kortemme, eine Computerbiologin an der University of California in San Francisco, verwendet RFdiffusion, um Proteine ​​zu entwickeln, die als Sensoren oder Schalter zur Steuerung von Zellen fungieren können. Sie sagte, das KI-Netzwerk funktioniere gut, wenn das aktive Zentrum eines Proteins von der Anordnung einiger weniger Aminosäuren abhänge, es habe jedoch Schwierigkeiten, Proteine ​​mit komplexeren aktiven Zentren zu entwerfen, die mehr Schlüsselaminosäuren erforderten – ein Problem, an dessen Lösung sie und ihre Kollegen arbeiten.

Eine weitere Einschränkung der neuesten Diffusionsmodelle bestehe darin, dass sie keine Proteine ​​entwerfen könnten, die sich radikal von den natürlichen unterscheiden , sagte Yang. Da diese KI-Systeme anhand von bereits existierenden Proteinen trainiert werden, die von Forschern charakterisiert wurden, seien die von ihnen entwickelten Proteine ​​„Nachahmer“, sagte er. Um Proteine ​​mit ungewöhnlichem Aussehen zu entwickeln, müssen wir möglicherweise unser Verständnis der physikalischen Mechanismen vertiefen, die Proteinen ihre Funktion verleihen.

„Dadurch wird es einfacher, Proteine ​​zu entwickeln, die Aufgaben erfüllen können, die natürliche Proteine ​​nicht erfüllen können“, sagte Yang. „Es gibt noch viel Raum für Verbesserungen.“

Die neuesten Proteindesign-Tools haben sich bei der Entwicklung von Proteinen für spezifische Aufgaben als sehr leistungsfähig erwiesen, solange die Funktion anhand einer Struktur beschrieben werden kann, beispielsweise der Oberfläche, an die das Protein bindet, sagte AlQuraishi. Er weist jedoch darauf hin, dass Tools wie RFdiffusion andere Aufgaben noch nicht bewältigen können, etwa die Entwicklung eines Proteins, das unabhängig von seiner Form eine bestimmte Reaktion ausführt – man weiß, was man will, aber man kennt die Geometrie nicht.

Grigoryan sagte, dass zukünftige Proteindesign-Tools auch in der Lage sein müssen, Proteine ​​entsprechend einer Vielzahl von Anforderungen zu entwerfen. Potenzielle therapeutische Proteine ​​müssen nicht nur an ihr Ziel binden, sondern dürfen auch nicht an andere Ziele binden und leicht in Massenproduktion hergestellt werden können.

Die Forscher untersuchen unter anderem, ob sie den Aufbau dieser Proteine ​​in einfacher Sprache beschreiben können, ähnlich den Eingabeaufforderungen von Bilderzeugungstools wie Midjourney. „Man könnte sich vorstellen, dass wir die Beschreibung eines Proteins aufschreiben, es dann synthetisieren und testen“, sagte Watson.

Grigoryan und Kollegen sind diesem Ziel einen Schritt näher gekommen. In einem im Dezember 2022 veröffentlichten Preprint-Artikel [3] trainierten sie Chroma, Beschreibungen in Designs zu integrieren und Designs basierend auf Textbeschreibungen zu generieren, darunter „Protein mit CHAD-Domäne“ (eine Proteinstruktur, die mehrere Helices kombiniert) oder „Kristallstruktur der Aminotransferase“ (ein Enzym, das an der Synthese und dem Abbau von Proteinen beteiligt ist).

Das Protein, das Jürgens heute Morgen in wenigen Minuten entworfen hat, ist lediglich ein Modell der 3D-Struktur des Proteins. Jürgens verwendete dann ein anderes KI-Tool, um die Aminosäuresequenz zu erhalten, die sich in diese Struktur falten ließ. Zur letzten Kontrolle gab er die Sequenz in AlphaFold ein, um zu sehen, ob die Software eine gefaltete Struktur vorhersagen konnte, die seinem Entwurf entsprach. Die Ergebnisse waren genau dieselben, wobei die Vorhersagen von AlphaFold im Durchschnitt nur um 1 Angström (die Breite eines Wasserstoffatoms) von der entworfenen Struktur abwichen.

„Bei diesem Grad an Genauigkeit können wir von einem erfolgreichen Design sprechen“, sagte Watson. Jetzt müssen wir nur noch sehen, wie sich das Protein in der realen Welt verhält.

Quellen:

1. Watson, JL et al. Nature https://doi.org/10.1038/s41586-023-06415-8 (2023).

2. Lin, Y. & AlQuraishi, M. Vorabdruck unter https://arxiv.org/abs/2301.12485 (2023).

3. Ingraham, J. et al. Vorabdruck bei bioRxiv https://doi.org/10.1101/2022.12.01.518682 (2022).

4. Frank, C. et al. Vorabdruck bei bioRxiv https://doi.org/10.1101/2023.02.24.529906 (2023).

5. Wicky, BIM et al. Science 378 , 56–61 (2022).

6. Wu, KE Vorabdruck unter https://arxiv.org/abs/2209.15611 (2022).

Der Originalartikel wurde am 11. Juli 2023 in der Rubrik „News Feature“ von Nature unter dem Titel „KI-Tools entwickeln völlig neue Proteine, die die Medizin verändern könnten“ veröffentlicht.

© Natur

doi: 10.1038/d41586-023-02227-y

Urheberrechtshinweis:

Dieser Artikel wurde von Springer Nature Shanghai übersetzt. Der chinesische Inhalt dient nur als Referenz. Für alle Inhalte gilt die englische Originalversion. Gerne können Sie diesen Artikel auch in Ihrem Freundeskreis weiterleiten. Wenn Sie es erneut drucken möchten, senden Sie bitte eine E-Mail an [email protected]. Eine nicht autorisierte Übersetzung stellt eine Urheberrechtsverletzung dar und der Urheberrechtsinhaber behält sich das Recht vor, rechtliche Schritte einzuleiten.

© 2023 Springer Nature Limited. Alle Rechte vorbehalten