比生物界“AlphaGo”更厉害的模型来了?

中科科界(北京)科技有限公司  |   2019-03-27 10:01


药明康德AI/报道

就在几个月前,DeepMind推出了AlphaFold系统,这个被称为生物界“AlphaGo”的系统能够预测并生成蛋白质3D结构。而近日,来自MIT的研究人员开发了一个新的研究模型,能够直接预测氨基酸链片段是如何决定蛋白质功能的。这一发现可以帮助研究人员设计和测试新的蛋白质,从而用于药物研发和生物学研究。

我们都知道,蛋白质是维持我们生命所必需的庞大而复杂的物质。蛋白质具体能完成什么样的功能,主要取决于它独特的三维结构。因此了解蛋白质的结构,对于预测其对某些药物的反应来说,是一个非常重要的环节。

20190327100125_56f979.jpg

▲每一个蛋白质都拥有错综复杂的三维结构(图片来源:123RF)

然而,尽管有了数十年的研究和多种成像技术的辅助,我们仍然只了解到了无数蛋白质结构中的很小一部分,还有很多未知结构的蛋白质功能尚未揭晓。针对这一情况,来自MIT的研究人员开发出了一种方法,“学习”了蛋白质序列中每个氨基酸位置上容易计算的表征。随后,研究人员将这些表征输入机器学习模型,让模型直接预测单个氨基酸片段的功能,而无需任何蛋白质结构的数据。

首先,研究人员使用了来自蛋白质结构分类数据库(SCOP)的约22000种蛋白质,将这些蛋白质按照结构和氨基酸序列的相似性进行分类,并对机器学习模型进行训练。对于每一对蛋白质,研究人员都会根据其SCOP类别计算出一个结构相似性评分。然后,研究人员将随机的蛋白质结构对及其氨基酸序列输入机器学习模型,通过编码器将它们转换成数值表示出来,称为嵌入(embedding)。每个嵌入都包含了一对氨基酸序列的相似性信息。

20190327100125_58d978.jpg

▲该模型的示意图(图片来源:arxiv.org)

该模型将两个嵌入对齐,然后计算出相似度评分,以预测其代表的蛋白质三维结构的相似性。然后,计算机会将这一评分与真实的SCOP相似性评分进行比较,并向编码器发送反馈信号。如果模型的预测分数与真实分数相差较远,则会进行一定的调整。

同时,该模型预测了每次嵌入的“接触图”(contact map),即每个氨基酸与该蛋白质中其他氨基酸的距离,并将其预测的接触图与来自SCOP的已知接触图进行比较,然后向编码器发送反馈信号。这一步骤有助于模型更好地明确氨基酸在蛋白质结构中的确切位置,从而进一步了解每个氨基酸的功能。

对于某个氨基酸链,该模型可以为三维结构中的每个氨基酸位置生成一个嵌入。然后,机器学习模型可以使用这些序列嵌入,根据其预测的三维结构接触图,来准确预测每个氨基酸的功能。在一个应用实例中,研究人员使用该模型预测有哪些蛋白质可以通过细胞膜,其预测结果比现有的先进模型还要更加准确。

接下来,研究人员计划将该模型应用到更多的预测任务中,例如弄清楚哪些序列片段可以与小分子结合,这对于药物研发工作来说是至关重要的。研究人员表示,这项研究最终将可以应用于人类健康和药物基因组学,因为它有助于检测破坏蛋白质结构的有害突变。

参考资料:

[1] Bepler, et al., (2019). Learning protein sequence embeddings using information from structure. ICLR 2019, arXiv:1902.08661

[2] MIT CSAIL’s AI predicts a protein’s function from chains of amino acids. Retrieved March 26, 2019, from https://venturebeat.com/2019/03/22/mit-csails-ai-predicts-a-proteins-function-from-chains-of-amino-acids/

[3] Model learns how individual amino acids determine protein function. Retrieved March 26, 2019, from http://news.mit.edu/2019/machine-learning-amino-acids-protein-function-0322


来源:global_academia 学术经纬

原文链接:http://mp.weixin.qq.com/s?__biz=MzI5MDQzNjY2OA==&mid=2247491967&idx=3&sn=356d00ebffb05a59fb5f597c4a326021&chksm=ec1d422cdb6acb3a2ac76f9e565c22bd9afaebffe95cd397487a82753f4280e7d6b300d34568&scene=27#wechat_redirect

版权声明:除非特别注明,本站所载内容来源于互联网、微信公众号等公开渠道,不代表本站观点,仅供参考、交流、公益传播之目的。转载的稿件版权归原作者或机构所有,如有侵权,请联系删除。

电话:(010)86409582

邮箱:kejie@scimall.org.cn

相关推荐 换一换