Sztuczna inteligencja projektuje białka na polecenie: rewolucja tekst-do-białka w laboratorium

Wprowadzenie

Wyobraź sobie, że za pomocą prostego polecenia w języku angielskim możesz zaprojektować nowe białko, które świeci na zielono lub rozkłada plastik. To już nie wizja z filmów science fiction, lecz realna możliwość dzięki najnowszym modelom sztucznej inteligencji, które uczą się tworzyć i modyfikować sekwencje aminokwasów na podstawie zwykłego tekstu (Nature).

Od „fatalnego” prototypu do realnych zastosowań

Reporter Ewen Callaway sam przekonał się, jak wiele brakuje do doskonałości: w kilka linijek kodu stworzył własny model języka białkowego, a następnie poprosił AlphaFold, by przewidziało strukturę jego wymyślonego białka. Chociaż kształt przypominał elementy prawdziwych cząsteczek, zaufanie algorytmu było bardzo niskie – znak, że białko nie miałoby szans na wytworzenie w komórkach (Nature).

Przełomowy model „Pinal” i inni pionierzy

Niedawno zespół Fajie Yuana z Westlake University zaprezentował model tekst-do-białka, nazwany Pinal, który potrafi samodzielnie projektować funkcjonalne enzymy i białka fluorescencyjne, oryginalne w swoich sekwencjach i skuteczne w laboratorium. Dwie z ośmiu wersji dehydrogenazy alkoholowej – enzymu rozkładającego alkohol – rzeczywiście katalizowały reakcję, choć z mniejszą efektywnością niż ich naturalne odpowiedniki (Nature).

Mechanizm „rozmowy” z molekułami

Aby nauczyć model rozumieć biologię w języku naturalnym, badacze sięgnęli po gigantyczne zbiory danych: Pinal trenowano na 1,7 miliarda par struktur białkowych i ich opisów. Dzięki temu wystarczyło wpisać „Please design a protein that is an alcohol dehydrogenase”, by otrzymać setki propozycji sekwencji gotowych do dalszej selekcji i testów (Nature).

Zastosowania w przemyśle farmaceutycznym i biotechnologii

Start-up 310.ai opracował narzędzie MP4, które na podstawie tekstu wygenerowało liczne białka zdolne do wiązania ATP – paliwa energetycznego komórek. Firma pracuje teraz nad projektowaniem białek naśladujących działanie leków GLP-1, wykorzystywanych w terapii otyłości (Nature).

Wyzwania i perspektywy

Choć tekst-do-białka otwiera nowe drogi, wyzwaniem pozostaje tworzenie precyzyjnych instrukcji. Podobnie jak we wczesnych dniach DALL-E, niektóre zapytania przynoszą pożądane efekty, inne – białka z powtarzalnymi motywami. Kluczem będzie nauka dobrego promptowania, a także dalsze zwiększanie różnorodności i jakości danych treningowych (Nature).

Przyszłość projektowania molekuł jest tu i teraz – wystarczy kilka słów, by rozpocząć rewolucję w biotechnologii. Czy jesteśmy gotowi na inteligentne laboratorium sterowane rozmową?