Nu går det att framställa nya och användbara proteiner med hjälp av Artificiell intelligens, AI. Det framgår av en nyligen publicerad studie från Chalmers.
− Våra forskningsresultat visar en enorm potential för tekniken inom många användningsområden, till exempel snabbare och mer kostnadseffektiv utveckling av proteinbaserade läkemedel och vaccin, säger Aleksej Zelezniak, docent på avdelningen för systembiologi.
Proteiner är stora komplexa molekyler som spelar en avgörande roll i alla levande celler. De bygger, modifierar eller bryter ner andra molekyler. Proteiner fyller också en funktion nästan överallt i vår vardag och används i till exempel i djurfoder, tvättmedel och olika industriella processer.
De spelar också en viktig medicinsk roll, i form av proteinbaserade läkemedel och terapeutiska antikroppar. Till exempel är diabetesmedicinen insulin och de mest effektiva, men också i särklass dyraste, behandlingsmetoderna mot cancer också proteinbaserade. Samma gäller för de antikroppsbehandlingar som används mot virusinfektioner, till exempel covid-19.
Från datordesign till fungerande protein på bara några veckor
Dagens metoder för proteindesign bygger på att slumpmässiga mutationer introduceras i proteinsekvensen, i hopp om att skapa ett protein med nya, förbättrade egenskaper. Men för varje mutation man introducerar finns risk för att proteinaktiviteten minskar.
− Därför måste man utföra många serier av väldigt dyra och tidskrävande experiment där man testar miljoner av varianter, för att skapa nya effektiva proteiner och enzymer. Nu när vi har vi en AI-baserad metod kan vi gå från datordesign till fungerande protein på bara några veckor, säger forskningsledaren Aleksej Zelezniak.
Den nya studien har publicerats i ansedda Nature Machine Intelligence och är ett genombrott för forskningen inom syntetiska proteiner.
Aleksej Zelezniaks grupp på Chalmers har tillsammans med forskarkollegor i Litauen utvecklat en AI-baserad teknik som heter ProteinGAN. Det är en så kallad generative deep learning approach, vilket kan översättas med generativ djupinlärning.
Kort beskrivet förser man AI med en stor mängd data om välstuderade proteiner. AI-programmet analyserar denna data och använder den som underlag för att skapa nya proteiner.
Samtidigt försöker en annan del av AI-systemet att lista ut om de protein som skapas är syntetiska eller naturliga. Proteinsekvenserna skickas sedan fram och tillbaka för utveckling och utvärdering tills systemet själv inte längre kan skilja på naturliga och syntetiska proteinsekvenser.
En kostnadseffektiv och hållbar modell
Metoden används redan för att skapa foton och videor av människor som inte existerar. I den aktuella studien används tekniken alltså för att producera varianter av proteiner med samma fysiska egenskaper som naturliga proteiner, vars funktion sedan kan testas i experiment.
Proteinerna skapas med hjälp av bioteknik där man ändrar den ursprungliga proteinsekvensen i förhoppning om att skapa ett nytt syntetiskt protein som är mer effektivt och stabilt.
− Snabbare processer vid proteinsyntes är väldigt viktigt för att få ner utvecklingskostnaderna. Det är nyckeln till att skapa hållbara industriella processer och konsumentprodukter. Vår AI-modell och andra framtida modeller kommer att göra detta möjligt, och vår forskning är därför ett mycket viktigt bidrag, säger chalmersforskaren Martin Engqvist som varit delaktig i att utforma experimenten där de AI-genererade proteinerna testades.
Forskningen har utförts på avdelningen för systembiologi – i gränslandet mellan datavetenskap och biologi.
− Den här sortens forskning är bara möjlig i en multidisciplinär miljö som den vi har inom vår avdelning. Vi har skapat perfekta förhållanden för att testa egenskaperna hos de proteiner som designas av AI-teknologin, säger Aleksej Zelezniak.
Nästa steg för forskarna är att testa hur tekniken kan användas i praktiken för att förbättra proteiners egenskaper. Det kan till exempel handla om att få fram mer stabila proteiner som kan komma till nytta inom industrin.
Mer om forskningsprojektet
- Läs den vetenskapliga artikeln Expanding functional protein sequence spaces using generative adversarial networks" i Nature Machine Intelligence.
- Studien är ett samarbete mellan Chalmers, Vilnius University Life Sciences Centre i Litauen och biotechföretaget Biomatters Designs.
Kontakt
- Docent, Systembiologi, Life Sciences