Ερευνητές από το Ινστιτούτο Οργανικής Χημείας της Σαγκάης στην Κινεζική Ακαδημία Επιστημών ανέπτυξαν ένα παραγωγικό μοντέλο τεχνητής νοημοσύνης που προβλέπει αλληλεπιδράσεις πρωτεΐνης-πρωτεΐνης σε ατομική ανάλυση, σύμφωνα με μια μελέτη που δημοσιεύθηκε στο Proceedings of the National Academy of Sciences (PNAS) στις 9 Ιουνίου 2026. αντί να σμιλεύσουμε πρώτα ένα συνολικό σχήμα πρωτεΐνης.
Το έργο, με επικεφαλής τους Δρ. Οι Yang Jing, Yuan Junying και James J. Chou, επισημάνθηκαν από την Κινεζική Ακαδημία Επιστημών και αναφέρθηκαν από το Phys.org. Προσθέτει ένα νέο εργαλείο σε ένα ταχέως εξελισσόμενο πεδίο στο οποίο η τεχνητή νοημοσύνη χρησιμοποιείται όλο και περισσότερο για τον σχεδιασμό των μοριακών μηχανών που στηρίζουν τα φάρμακα, τα υλικά και τη συνθετική βιολογία. For more context on this story, see our ongoing AI news.
Γιατί έχουν σημασία οι αλληλεπιδράσεις πρωτεΐνης-πρωτεΐνης
Οι πρωτεΐνες είναι τα μοριακά άλογα του ανθρώπινου σώματος. Χτίζουν ιστούς, μεταφέρουν μόρια, ρυθμίζουν την κυτταρική επικοινωνία και προστατεύονται από λοιμώξεις. Πολλά από τα πιο σημαντικά φάρμακα - συμπεριλαμβανομένων των θεραπειών με αντισώματα για τον καρκίνο και της ινσουλίνης για τον διαβήτη - λειτουργούν αλληλεπιδρώντας με συγκεκριμένες πρωτεΐνες ή αντικαθιστώντας αυτές που λείπουν ή δυσλειτουργούν.
Επειδή τόσες πολλές βιολογικές διεργασίες εξαρτώνται από τον τρόπο με τον οποίο οι πρωτεΐνες συνδέονται μεταξύ τους, η ικανότητα ακριβούς πρόβλεψης και σχεδιασμού των αλληλεπιδράσεων πρωτεΐνης-πρωτεΐνης θα μπορούσε να επιταχύνει την ανακάλυψη φαρμάκων και να καλύψει τις ανεκπλήρωτες ιατρικές ανάγκες. Η πρόοδος εδώ συμπληρώνει επίσης τις γρήγορες προόδους στις τεχνολογίες παροχής, όπως οι φορείς ιών που σχετίζονται με αδενοειδές και τα νανοσωματίδια λιπιδίων mRNA, τα οποία μεταφέρουν θεραπευτικά μόρια στα κύτταρα.
Μια προσέγγιση από κάτω προς τα πάνω αντί από πάνω προς τα κάτω
Τα περισσότερα υπάρχοντα πλαίσια τεχνητής νοημοσύνης για τον σχεδιασμό πρωτεϊνών ακολουθούν μια στρατηγική από πάνω προς τα κάτω: δημιουργούν πρώτα ένα συνολικό ικρίωμα πρωτεΐνης που ταιριάζει σε μια τοποθεσία στόχο και στη συνέχεια σχεδιάζουν μια ακολουθία για τη βελτιστοποίηση της σύνδεσης. Το Void-X αντιστρέφει αυτή τη λογική.
Το μοντέλο είναι ένα ατομικό σύστημα πλήρωσης. Είναι εκπαιδευμένο να αναγνωρίζει μοτίβα αλληλεπίδρασης ατομικής κλίμακας και να γεμίζει τα «κενά» - τα κενά - στις διεπαφές πρωτεϊνών. Η βασική του υπόθεση είναι ότι τα σταθερά μακρομοριακά σύμπλοκα συγκρατούνται μεταξύ τους με τη βέλτιστη ατομική συσκευασία, η οποία προκύπτει από τοπικές αλληλεπιδράσεις μεταξύ γειτονικών ατόμων καθώς και από συζεύξεις υψηλότερης τάξης με πιο απομακρυσμένα. Αντί να σχεδιάζει ένα ολόκληρο σχήμα πρωτεΐνης, το Void-X δημιουργεί απευθείας συμπαγή ατομικά συμπλέγματα βελτιστοποιημένα για σφιχτή συσκευασία εντός μιας καθορισμένης δομικής περιοχής, δίνοντας στο σχέδιο μια φυσικά γειωμένη βάση.
Εκπαιδεύτηκε σε οκτώ εκατομμύρια ατομικά σμήνη
Για να εκπαιδεύσουν το Void-X, οι ερευνητές συγκέντρωσαν ένα σύνολο δεδομένων με περισσότερα από οκτώ εκατομμύρια σφαιρικά ατομικά σμήνη που προέρχονται από πειραματικά προσδιορισμένες δομές που έχουν κατατεθεί στην Τράπεζα Δεδομένων Πρωτεϊνών. Για κάθε σύμπλεγμα, περίπου το 30% των περιφερειακών, χωρικά συνεχόμενων ατόμων καλύφθηκε, ενώ τα υπόλοιπα άτομα χρησίμευαν ως το «πλαίσιο» - ουσιαστικά μια προτροπή - που το μοντέλο χρησιμοποίησε για να προβλέψει τα άτομα που λείπουν.
Το προκύπτον δίκτυο περιέχει 172 εκατομμύρια παραμέτρους και πέτυχε ισχυρή προγνωστική ακρίβεια: 78,3% για ατομικά σμήνη εντός της αλυσίδας και 68,2% για συστάδες μεταξύ αλυσίδων, ανέφεραν οι ερευνητές.
Τι σημαίνει για την ανακάλυψη ναρκωτικών και όχι μόνο
Σύμφωνα με τους συγγραφείς, αυτές οι δυνατότητες επιτρέπουν τη δημιουργία de novo αλληλεπιδράσεων πρωτεϊνών ατομικής ανάλυσης, προσφέροντας αυτό που περιγράφουν ως μια συμπληρωματική και φυσικά διαισθητική διαδρομή για τον σχεδιασμό πρωτεϊνών. Συνδυάζοντας τη λεπτομέρεια ατομικού επιπέδου με τη γενετική μοντελοποίηση, το Void-X επεκτείνει το κιτ εργαλείων για ορθολογική μηχανική βιομοριακών διεπαφών.
Αυτό έχει σημασία γιατί ο σχεδιασμός διεπαφής βρίσκεται στο επίκεντρο της σύγχρονης ανάπτυξης φαρμάκων. Τα καλύτερα υπολογιστικά εργαλεία για την πρόβλεψη του τρόπου με τον οποίο ένα υποψήφιο μόριο θα συνδεθεί με τον πρωτεϊνικό του στόχο μπορούν να συντομεύσουν τη διαδρομή από την ιδέα στη θεραπεία, να μειώσουν την εξάρτηση από δαπανηρά πειράματα δοκιμών και λάθους και να διευκολύνουν τον σχεδιασμό πρωτεϊνών για εντελώς νέες λειτουργίες στη συνθετική βιολογία.
Ένα αναπτυσσόμενο χωράφι
Το Void-X έρχεται εν μέσω ενός κύματος πρωτεϊνικής εργασίας που βασίζεται σε AI. Από την πρόβλεψη δομής έως τον σχεδιασμό παραγωγής όλων των ατόμων, οι ερευνητές πιέζουν σταθερά προς την ικανότητα μοντελοποίησης βιομοριακών αλληλεπιδράσεων σε πλήρη ατομική ανάλυση. Προηγούμενα συστήματα παραγωγής όλων των ατόμων έχουν ήδη αποδείξει τη σκοπιμότητα σχεδιασμού και πρόβλεψης αλληλεπιδράσεων σε αυτή την κλίμακα, και το Void-X συνεισφέρει μια ξεχωριστή στρατηγική στην ίδια προσπάθεια.
Το κόλπο κάλυψης που το κάνει να λειτουργεί
Η μέθοδος εκπαίδευσης του Void-X δανείζεται μια σελίδα από το βιβλίο του γλωσσικού μοντέλου. Συγκαλύπτοντας περίπου το 30% των ατόμων σε κάθε εκπαιδευτικό σύμπλεγμα και ζητώντας από το μοντέλο να τα συμπεράνει από το περιβάλλον περιβάλλον, οι ερευνητές μετέτρεψαν τη δομική βιολογία σε μια εργασία συμπλήρωσης των κενών - την ίδια αρχή που επιτρέπει στα μεγάλα γλωσσικά μοντέλα να προβλέπουν λέξεις που λείπουν σε μια πρόταση. Η διαφορά είναι ότι το "λεξιλόγιο" του Void-X αποτελείται από άτομα διατεταγμένα σε τρισδιάστατο χώρο και η γραμματική που μαθαίνει αντανακλά τους κανόνες φυσικής συσκευασίας που διέπουν τον τρόπο με τον οποίο αναδιπλώνονται και συνδέονται οι πραγματικές πρωτεΐνες.
Αυτή η εκπαίδευση με επίγνωση της δομής είναι που διαχωρίζει το Void-X από τις προσεγγίσεις που αντιμετωπίζουν τις πρωτεΐνες ως επίπεδες αλληλουχίες αμινοξέων. Επειδή το μοντέλο κάνει λόγο για τοπικούς και μεγάλου βεληνεκούς ατομικούς συνδέσμους ταυτόχρονα, μπορεί να προτείνει γεωμετρίες διεπαφής που σέβονται τους φυσικούς περιορισμούς ενός σταθερού συμπλέγματος, αντί να παράγουν εύλογα αλλά βιολογικά ασταθή σχέδια.
Όρια και ανοιχτές ερωτήσεις
Τα αποτελέσματα είναι ελπιδοφόρα, αλλά οι ερευνητές είναι ειλικρινείς ότι οι προκλήσεις παραμένουν. Η ακρίβεια μεταξύ των αλυσίδων 68,2% — σχετική με τα συμπλέγματα πολλαπλών πρωτεϊνών που καθορίζουν τους περισσότερους πραγματικούς στόχους φαρμάκων — είναι σημαντικά χαμηλότερη από την εικόνα εντός της αλυσίδας, αντικατοπτρίζοντας τη μεγαλύτερη δυσκολία μοντελοποίησης του τρόπου με τον οποίο δύο ξεχωριστά μόρια συνδυάζονται. Ο σχεδιασμός μιας διεπαφής που να συνδέεται στενά σε ένα υπολογιστικό μοντέλο είναι επίσης μόνο το πρώτο βήμα. Οι υποψήφιοι πρέπει ακόμα να συντίθενται και να επικυρώνονται πειραματικά, και οι προβλεπόμενες αλληλεπιδράσεις μπορεί να παραπαίουν στο πιο ακατάστατο περιβάλλον ενός ζωντανού κυττάρου.
Η κλιμάκωση των δεδομένων προπόνησης, η βελτίωση του χειρισμού του μοντέλου των εύκαμπτων ή διαταραγμένων περιοχών πρωτεΐνης και η ενσωμάτωση του Void-X με συμπληρωματικά συστήματα από πάνω προς τα κάτω είναι πιθανώς τα επόμενα βήματα. Οι συγγραφείς χαρακτηρίζουν τη συμβολή τους ως συμπληρωματική και όχι ως τεχνολογία αντικατάστασης - μια φυσικά γειωμένη επιλογή που πρέπει να συνδυαστεί με υπάρχοντα ικριώματα καθώς το πεδίο αγωνίζεται προς αξιόπιστο, μοριακό σχεδιασμό από άκρο σε άκρο.
Μια ευρύτερη τάση
Η μελέτη, που δημοσιεύτηκε με το DOI 10.1073/pnas.2607035123, σηματοδοτεί ότι ο ανταγωνισμός για την κατασκευή ολοένα και πιο ακριβών εργαλείων μοριακού σχεδιασμού είναι τώρα καλά σε εξέλιξη — και ότι η γενετική τεχνητή νοημοσύνη γίνεται αναπόσπαστο μέρος του πάγκου εργασίας του βιοχημικού. Καθώς μοντέλα όπως το Void-X μειώνουν το χάσμα μεταξύ υπολογισμού και εργαστηρίου, η ελπίδα είναι ότι οι ερευνητές θα μπορέσουν να σχεδιάσουν νέα θεραπευτικά, ένζυμα και υλικά πιο γρήγορα και πιο ορθολογικά από ποτέ.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
