MIT機器學習結合AlphaFold蛋白質預測 提升下一代抗生素發現

撰文記者 彭梓涵
日期2022-09-07
EnglishFrenchGermanItalianPortugueseRussianSpanish
(圖片來源:網路)
昨(6)日,麻省理工學院醫學工程與科學研究所(IMES)和生物工程系團隊,使用Google母公司Alphabet旗下AI公司DeepMind開發的蛋白質結構預測模型AlphaFold,測試大腸桿菌296種蛋白質和300多種抗菌化合物間的作用關係,並透過機器學習提高模型性能,未來有望加速新機制的抗生素研發,解決抗生素抗藥性問題,相關研究已發表在《Molecular Systems Biology》期刊上。
 
在過去十幾年間,很少有新的抗生素被開發出來,主要是因為篩選藥物的方式過於昂貴與耗時,而仰賴於計算模型的技術進步,藥物篩選速度因而加快,成本也有所降低。
 
麻省理工學院生物工程學知名教授James Collins實驗室近期便發起一項名為「抗生素-人工智慧」(Antibiotics-AI )的計畫,目標是利用AI來發現和設計新的抗生素。
 
由DeepMind開發的AI模型AlphaFold,可根據胺基酸序列,準確預測蛋白質結構,這項技術讓研究人員興奮不已,因此Collins實驗室選擇AlphaFold模型,應用於細菌蛋白質和抗菌化合物間的相互作用,並探索其潛力與侷限。
 
為了測試可行性,Collins實驗室研究了大腸桿菌的296種必須蛋白與2018種包括四環黴素等抗生素,透過AlphaFold模型預測兩者間的交互作用。
 
研究結果發現,在單一蛋白質靶點篩選化合物上,雖然能找到結合力最佳的化合物,但在針對許多已知的目標蛋白篩選化合物中,其預測準確性卻不高,特徵曲線(auROC)下面積為0.48。Collins表示,「此結果不比隨便猜測好」。
 
不過Collins認為,模型性能不佳的可能原因,是輸入模型的蛋白質結構為靜止狀態,而在生物系統中,蛋白質是靈活並且動態的變化。
 
而為了提高成功率,研究人員也再透過四個額外的機器學習模型協助預測,這些模型則是根據蛋白質和其他分子相互作用的數據進行訓練,其納入了更多訊息,包括形狀、化學和物理特性。
 
導入新的機器學習,結果也顯示模型性能有所提高,其特徵曲線下面積可達0.63。
 
Collins表示,隨著AI模型與計算能力的進步,科學家有望透過AI預測蛋白質結構的力量,發現更多疾病可治療的藥物,但要充分發揮這些AI的潛力,還有很長的路要走。
 
該研究是由 James S. McDonnell 基金會、瑞士國家科學基金會、國家過敏和傳染病研究所、美國國立衛生研究院(NIH)以及麻省理工學院和哈佛大學共同成立的布洛德研究所(Broad Institute)資助。Antibiotics-AI計畫則得到Audacious Project、流感實驗室、Sea Grape基金會和Wyss基金會的支持。
 
資料來源:https://www.news-medical.net/news/20220906/Advances-in-modeling-molecular-interactions-needed-to-better-harness-AlphaFold-for-drug-discovery.aspx
 
(編譯/彭梓涵)