최신 인간 대 기계 경기에서 인공 지능이 머리카락으로 이깁니다. 컴퓨터 프로그램과 경쟁한 단백질 과학자는 기계 학습이 생명 공학을 발전시킬 것이라고 말합니다. 날짜: 2022년 11월 2일 원천: 럿거스 대학교 요약: 컴퓨터 프로그램과 경쟁한 한 단백질 과학자는 기계 학습이 생명 공학을 발전시킬 것이라고 말합니다.
Vikas Nanda는 모든 살아있는 유기체에 존재하는 매우 복잡한 물질인 단백질의 복잡성을 연구하는 데 20년 이상을 보냈습니다. Rutgers 과학자는 단백질을 구성하는 아미노산의 독특한 패턴이 헤모글로빈에서 콜라겐에 이르기까지 어떤 형태로 변화하는지 결정하는 방법과 특정 단백질만 뭉쳐서 훨씬 더 복잡한 물질을 형성하는 신비한 자기 조립 단계를 오랫동안 숙고해 왔습니다. .
그래서 과학자들이 단백질 디자인과 자기 조립에 대한 심오하고 직관적인 이해를 가진 인간과 인공 지능 컴퓨터 프로그램의 예측 능력을 비교하는 실험을 하고자 할 때 Center for Advanced의 연구원인 Nanda는 Rutgers의 생명공학 및 의학(CABM)은 목록의 맨 위에 있는 것 중 하나였습니다.
이제 어떤 단백질 서열이 가장 성공적으로 결합할 것인지 예측하는 데 누가 또는 무엇을 더 잘 할 수 있는지 알아보는 결과가 나왔습니다. Nanda는 Illinois에 있는 Argonne 국립 연구소의 연구원들과 전국의 동료들과 함께 Nature Chemistry 에 전투가 가까웠지만 결정적이었다고 보고합니다. 인공 지능(AI) 프로그램에 대해 Nanda와 여러 동료를 겨루는 경쟁은 컴퓨터 프로그램이 아주 약간씩 이겼습니다.
과학자들은 단백질 자가조립을 더 잘 이해하면 상처용 인공 인체 조직 및 새로운 화학 제품용 촉매와 같은 의료 및 산업 용도를 위한 수많은 혁신적인 제품을 설계하는 데 도움이 될 수 있다고 믿기 때문에 단백질 자가 조립에 깊은 관심을 갖고 있습니다.
럿거스 로버트 우드 존슨 메디컬(Robert Wood Johnson Medical)의 생화학 및 분자생물학과 교수인 난다는 "우리의 광범위한 전문 지식에도 불구하고 AI는 여러 데이터 세트에서 같거나 더 나은 결과를 보여 인간의 편견을 극복할 수 있는 머신 러닝의 엄청난 잠재력을 보여줬다"고 말했다. 학교.
단백질은 끝에서 끝으로 연결된 많은 수의 아미노산으로 구성됩니다. 사슬이 접혀 복잡한 모양의 3차원 분자를 형성합니다. 각 단백질의 정확한 모양은 포함된 아미노산과 함께 그것이 하는 일을 결정합니다. Nanda와 같은 일부 연구자들은 "단백질 디자인"에 참여하여 새로운 단백질을 생성하는 서열을 생성합니다. 최근 Nanda와 연구원 팀은 위험한 신경 작용제인 VX를 빠르게 감지하고 새로운 바이오센서 및 치료법을 위한 길을 열 수 있는 합성 단백질을 설계했습니다.
대부분 알려지지 않은 이유로 단백질은 다른 단백질과 자가 조립하여 생물학에서 중요한 상부 구조를 형성합니다. 때때로 단백질은 캡시드(capsid)라고 하는 바이러스의 보호 외피로 자가 조립될 때와 같이 설계를 따르는 것처럼 보입니다. 다른 경우에는 문제가 발생하면 자가 조립되어 알츠하이머 및 겸상 적혈구와 같은 다양한 질병과 관련된 치명적인 생물학적 구조를 형성합니다.
Nanda는 "단백질 자가 조립을 이해하는 것은 의학 및 산업을 포함한 많은 분야에서 발전을 이루기 위한 기본입니다."라고 말했습니다.
실험에서 Nanda와 5명의 다른 동료들은 단백질 목록을 받았고 어떤 것이 자가 조립될 가능성이 있는지 예측하도록 요청했습니다. 그들의 예측은 컴퓨터 프로그램에 의해 만들어진 예측과 비교되었습니다.
인간 전문가들은 전하의 패턴과 물에 대한 혐오의 정도를 포함하여 실험에서 단백질 행동의 관찰을 기반으로 경험 법칙을 사용하여 자가 조립될 것으로 예측한 11개의 단백질을 선택했습니다. 고급 기계 학습 시스템을 기반으로 하는 컴퓨터 프로그램은 9개의 단백질을 선택했습니다.
인간은 그들이 선택한 11개 단백질 중 6개에 대해 맞았습니다. 컴퓨터 프로그램이 권장하는 9개 단백질 중 6개 단백질이 자가 조립할 수 있어 더 높은 비율을 얻었습니다.
실험에 따르면 인간 전문가들은 일부 아미노산을 다른 아미노산보다 "선호"했으며 때로는 잘못된 선택을 하기도 했습니다. 또한, 컴퓨터 프로그램은 자가 조립을 위한 명백한 선택이 되지 않는 특성을 가진 일부 단백질을 정확하게 지적하여 추가 조사의 문을 열었습니다.
경험을 통해 한때 단백질 어셈블리 연구를 위한 기계 학습에 대해 회의적이었던 Nanda가 이 기술에 더 개방적이었습니다.
Nanda는 "우리는 자기 조립으로 이어지는 상호 작용의 화학적 성질에 대한 근본적인 이해를 얻기 위해 노력하고 있기 때문에 이러한 프로그램을 사용하는 것이 중요한 통찰력을 방해할까봐 걱정했습니다."라고 말했습니다. "하지만 내가 정말로 이해하기 시작한 것은 기계 학습이 다른 도구와 마찬가지로 또 다른 도구일 뿐이라는 것입니다."