Die 10 größten wissenschaftlichen Durchbrüche des Jahres 2021, darunter auch KI

Am 17. November 2021 veröffentlichte das Magazin Science die jährliche Liste der wissenschaftlichen Durchbrüche 2021. Den ersten Platz belegten AlphaFold und RoseTTA-fold, zwei auf künstlicher Intelligenz basierende Technologien zur Vorhersage der Proteinstruktur.

Zu den wissenschaftlichen Durchbrüchen des Jahres zählen außerdem: die Entwicklung antiviraler Medikamente gegen COVID-19, neue Myonenmessungen, Beobachtungen von Erdbeben auf dem Mars, die Gewinnung urzeitlicher menschlicher DNA aus dem Boden, In-vivo-Anwendungen von CRISPR, neue Erkenntnisse zur frühen menschlichen Entwicklung, der Einsatz psychedelischer Drogen zur Behandlung von PTBS, die Entwicklung monoklonaler Antikörper zur Behandlung von Infektionskrankheiten und Fortschritte bei der Energieerzeugung durch Fusion.

Darüber hinaus wählte das Magazin Science auch drei wissenschaftliche Pannen des Jahres aus, darunter die geringe Hoffnung auf das Erreichen der Klimaziele, die Wut über Alzheimer-Medikamente und die Ächtung und Attacke auf Wissenschaftler aufgrund der neuen Kronenepidemie.

In diesem Artikel wird hauptsächlich der wichtigste wissenschaftliche Durchbruch dieses Jahres vorgestellt: die Vorhersage der Proteinstruktur auf der Grundlage künstlicher Intelligenz.

Die Strukturbiologie ist seit über 50 Jahren ein Rätsel

Wir alle wissen, dass Protein der Hauptträger aller Lebensaktivitäten ist. Es ist keine Übertreibung zu sagen, dass es ohne Protein kein Leben gibt. Proteine ​​stehen daher seit langem im Fokus der Forschung von Biowissenschaftlern. Unter anderem ist die Struktur von Proteinen für viele Biowissenschaftler ein heißes Forschungsthema. Denn seine Hauptfunktion wird durch seine Struktur bestimmt.

Im Jahr 1957 bestimmten John C. Kendrew und Max F. Perutz die erste Proteinstruktur mittels Röntgenkristallographie. Kurz darauf schlug Christian B. Anfinsen Jr. vor, dass die Struktur von Proteinen thermodynamisch stabil sei und dass es möglich scheine, die dreidimensionale Struktur eines Proteins anhand seiner Aminosäuresequenz vorherzusagen.

Die strukturelle Komplexität von Proteinen übersteigt jedoch bei weitem die Vorstellungskraft der Menschen. Dem zentralen Dogma zufolge werden Proteine ​​hauptsächlich durch die Transkription von DNA in RNA und die anschließende Übersetzung in Peptidketten zusammengesetzt. Ein Proteinmolekül besteht aus einer oder mehreren Polypeptidketten, die in eine bestimmte Form gefaltet sind. Gleichzeitig wird die spezifische Form von Proteinmolekülen durch vier Strukturebenen bestimmt, darunter Primär-, Sekundär-, Tertiär- und Quartärstrukturen, und die Struktur der vorherigen Ebene bestimmt die Struktur der nächsten Ebene.

Die Aminosäuresequenz der Polypeptidkette stellt die Primärstruktur dar, und ein Teil der Peptidkette in der Primärstruktur kräuselt oder faltet sich, wodurch die Sekundärstruktur entsteht. Die Sekundärstruktur durchläuft eine Reihe von Konformationsänderungen, um eine dreidimensionale Struktur zu bilden, nämlich die Tertiärstruktur, die im Allgemeinen kugelförmig oder faserig ist. Die Tertiärstruktur weist spezifische Strukturdomänen auf, die Bindungsstellen oder regulatorische Stellen bilden, die an Substanzen mit spezifischen Strukturen binden und spezifische Funktionen erfüllen können. Proteine, die aus zwei oder mehr Polypeptidketten bestehen, können eine quaternäre Struktur bilden.

Abbildung | Protein-3D-Struktur (Quelle: Nat Commun)

Daher ist es den Wissenschaftlern in den mehr als 50 Jahren seit der Vorstellung der Theorie durch Christian B. Anfinsen Jr. nicht gelungen, das Problem der Proteinfaltung zu lösen, und ihr Verständnis der Proteinstruktur ist noch immer sehr begrenzt.

In den letzten Jahren konnten mit der Entwicklung der Kryo-Elektronenmikroskopie-Technologie Proteinstrukturen ohne kristalline Proben beobachtet werden, was zu Fortschritten in der Proteinstrukturforschung geführt hat. Allerdings handelt es sich bei Kryo-Elektronenmikroskopen um sehr teure Geräte, die nur in sehr wenigen Laboren eingesetzt werden können, was sie für die Mehrheit der wissenschaftlichen Forscher äußerst ungeeignet macht. Daher besteht in den Biowissenschaften dringender Bedarf an neuen Methoden zur Lösung des Proteinfaltungsproblems.

KI hilft bei der Lösung des Problems der Proteinstrukturvorhersage

Mit der Entwicklung der Informatik haben einige Wissenschaftler vorgeschlagen, Computermodelle zur Lösung des Proteinfaltungsproblems zu verwenden. Obwohl diese Idee umsetzbar ist, waren die Genauigkeit verschiedener in den folgenden Jahrzehnten entwickelter Computermodelle bei der Vorhersage der Proteinstruktur immer begrenzt.

In den letzten 25 Jahren hat der Competition for the Prediction of Protein Structure (CASP) die Fortschritte auf diesem Gebiet verfolgt und versucht, ein Computermodell zu finden, das das Problem der Proteinfaltung perfekt lösen kann. Bis zur erfolgreichen Durchführung des 14. Wettbewerbs CASP14 zeigte das AlphaFold-System von DeepMind eine beispiellose Genauigkeit bei der Vorhersage von Proteinstrukturen.

Die Bewertung des Wettbewerbs erfolgt durch Vergleich der Lösungen der Teilnehmer mit dem „Goldteststandard“ und Messung der Genauigkeit mit einem GDT-Score zwischen 0 und 100. Ein GDT-Score von etwa 90 gilt als konkurrenzfähig mit experimentellen Methoden am Menschen. Die Gesamtpunktzahl des AlphaFold-Systems von DeepMind erreichte 92,4, mit einem Fehler von 1,6 aus dem Experiment. Sogar für das schwierigste Protein ohne homologe Vorlage erreichte die Punktzahl erschreckende 87,0.

Gleichzeitig kann das neuronale Netzwerk von AlphaFold die Struktur eines typischen Proteins innerhalb weniger Minuten vorhersagen und auch die Struktur größerer Proteine ​​(wie beispielsweise eines Proteins mit 2180 Aminosäuren und keiner homologen Struktur) vorhersagen. Das Modell kann die Zuverlässigkeit seiner Vorhersagen auf der Grundlage jeder Aminosäure genau einschätzen, was es den Forschern erleichtert, seine Vorhersagen zu verwenden.

Abbildung | 3D-Ansicht der Bindung von menschlichem Interleukin 12 an seinen Rezeptor, vorhergesagt von Forschern mit RoseTTAFold (Quelle: UW Medicine Institute for Protein Design)

Anschließend entwickelte im Juli dieses Jahres David Baker, Professor für Biochemie an der University of Washington School of Medicine und Leiter des Institute for Protein Design, unter der Leitung eines Teams von Computerbiologen erfolgreich ein Tool namens RoseTTAFold. Dieses Tool basiert auf Deep Learning und kann die Struktur des Zielproteins auf der Grundlage begrenzter Informationen schnell und genau vorhersagen und erreicht dabei eine mit AlphaFold2 vergleichbare Genauigkeit.

Darüber hinaus benötigt RoseTTAFold weniger Rechenenergie und Zeit als AlphaFold2: Mit nur einem Gaming-Computer kann die Proteinstruktur in nur zehn Minuten zuverlässig berechnet werden. Und was noch bemerkenswerter ist: Der RoseTTAFold-Code und -Server werden der wissenschaftlichen Gemeinschaft völlig kostenlos zur Verfügung gestellt!

Bild | David Baker (Quelle: Offizielle Website der University of Washington)

Seit Juli wurde das entsprechende Programm von mehr als 140 unabhängigen wissenschaftlichen Forschungsteams kostenlos von GitHub heruntergeladen, und Wissenschaftler aus der ganzen Welt verwenden jetzt RoseTTAFold, um Proteinmodelle zu erstellen und die Forschung in verwandten Bereichen zu beschleunigen.

Ebenfalls im Juli dieses Jahres teilte der Gründer und CEO von DeepMind, Demis Hassabis, den Open-Source-Code von AlphaFold im Magazin Nature und veröffentlichte eine vollständige systematische Methodik, in der detailliert beschrieben wird, wie AlphaFold die 3D-Struktur von Proteinen genau vorhersagen kann. Mit anderen Worten: Dieses leistungsstarke Modell zur Vorhersage der Proteinstruktur ist völlig kostenlos.

Ab sofort stehen die beiden leistungsstarken KI-basierten Modelle zur Vorhersage der Proteinstruktur der Öffentlichkeit kostenlos zur Verfügung. Mithilfe dieser beiden Modelle können Forscher jederzeit die räumliche Struktur von Proteinen ermitteln, ohne die Proteine ​​kristallisieren oder für ihre Untersuchungen auf teure Kryo-Elektronenmikroskopie zurückgreifen zu müssen.

In einem gleichzeitig veröffentlichten Kommentar erklärte Holden Thorp, Chefredakteur des Magazins Science: „Erstens löst es das Problem der Proteinfaltung, das die Biowissenschaften seit fast 50 Jahren plagt. Es ist wie mit den Gravitationswellen in der Physik. Wissenschaftler haben jahrzehntelang unermüdlich daran gearbeitet, dieses Problem endlich zu lösen. Zweitens verändert diese Technologie die Regeln der zukünftigen Strukturbiologie, genau wie die Kryo-Elektronenmikroskopie, und beschleunigt so die Entwicklung der Biowissenschaften. Darüber hinaus ist sie völlig kostenlos, d. h. es handelt sich um ein Proteinvorhersagemodell, das wirklich für jedermann geeignet ist.“

Quellen:

https://www.eurekalert.org/news-releases/937705?

www.science.org/doi/10.1126/science.abn5795

Geschrieben von: Zhu Hengheng

Herausgeber: Wang Haha

Layout: Li Xuewei

Quelle: Academic Headlines