AlphaFold - AlphaFold

AlphaFold bir yapay zeka tarafından geliştirilen program Google'ın Derin Düşünce hangi performans protein yapısının tahminleri.[1] Program, bir derin öğrenme tahmin etmek için tasarlanmış sistem katlanmış bir atomun genişliğine kadar protein yapıları.[2]

Kasım 2020'de, programın AlphaFold 2 adlı versiyonu bienalin 14. baskısında yer aldı. Protein Yapısı Tahmini için Tekniklerin Kritik Değerlendirmesi (CASP ) rekabet,[3] diğer tüm hesaplama yöntemlerinden çok daha yüksek bir doğruluk düzeyine ulaştığı.[2] Program, CASP'lerdeki proteinlerin yaklaşık üçte ikisi için 90'ın üzerinde puan aldı küresel mesafe testi (GDT), bir hesaplama programının öngördüğü yapının, GDT'yi hesaplamak için kullanılan mesafe sınırı dahilinde, 100'ü tam bir eşleşme olmak üzere laboratuar deneyinde belirlenen yapıya benzerlik derecesini ölçen bir test.[2][4]

Protein katlama sorunu

Ayrıca bakınız: Levinthal paradoksu
farklı katlanma seviyelerinde üç ayrı polipeptit zinciri ve bir zincir kümesi
Amino asit zincirleri olarak bilinir polipeptitler, bir protein oluşturmak için katlayın.

Proteinler zincirlerinden oluşur amino asitler denilen bir süreçte kendiliğinden katlanan protein katlanması biyolojik olarak önemli oluşturmak için yerel eyalet üç boyutlu yapılar. DNA dizileri bu amino asitlerin dizileri hakkında temel bilgiler içerir, ancak protein katlanması ve yapıları hakkındaki bilgiler, DNA dizilerinden doğrudan tahmin edilemeyen fiziksel süreçlerle belirlenir.[5] Bilim adamları, deneysel tekniklere bakar. X-ışını kristalografisi, kriyo-elektron mikroskobu ve nükleer manyetik rezonans proteinlerin katlandığı hedef yapıları belirlemek hem pahalı hem de zaman alıcıdır.[5] Mevcut çabalar, yaşam formlarında 200 milyonun üzerinde bilinen protein varken, yalnızca ~ 170.000 proteinin yapılarını belirledi.[4] Çok sayıda hesaplama yöntemi vardır protein yapısı tahmini, ancak doğrulukları deneysel tekniklere yakın değildir, bu nedenle değerlerini sınırlandırmaktadır.

Algoritma

AlphaFold'un 2020 algoritmalarının ayrıntıları kamuya açıklanmamış olsa da, bazılarının 2020 Aralık ayı başlarında CASP konferans. DeepMind'ın programı, halka açık bir protein dizileri ve yapıları havuzundan 170.000'den fazla protein üzerinde eğittiği bilinmektedir. Program bir biçim kullanır dikkat ağı, bir derin öğrenme sahip olmaya odaklanan teknik AI algoritması daha büyük bir problemin parçalarını çözer ve genel çözümü elde etmek için bir araya getirir.[2] Genel eğitim 100 ile 200 arasında işlem gücü üzerine gerçekleştirildi GPU'lar.[2] Sistemin bu donanımla eğitilmesi "birkaç hafta" sürdü, ardından programın her yapı için birleşmesi "birkaç gün" alacaktı.[6]

AlphaFold 1 (2018), ortaya çıkan farklı kalıntılardaki değişiklikleri bulmaya çalışmak için, birçok farklı organizmadan (çoğunlukla bilinen 3B yapılar olmadan) ilgili DNA dizilerinin şu anda mevcut olan büyük bankalarına bakan, 2010'larda çeşitli ekipler tarafından geliştirilen çalışmalar üzerine inşa edilmiştir. kalıntılar ana zincirde ardışık olmamasına rağmen ilişkilendirilmek üzere. Bu tür korelasyonlar, kalıntıların dizide yakın olmasa bile fiziksel olarak birbirine yakın olabileceğini düşündürür ve iletişim haritası tahmin edilecek. AlphaFold 1, çok yakın tarihli bir çalışmadan yola çıkarak, bunu yalnızca bir olasılık dağılımını Nasıl kalıntıların kapatılması muhtemel olabilir - temas haritasını olası bir mesafe haritasına dönüştürmek; ayrıca çıkarımı geliştirmek için öncekinden daha gelişmiş öğrenme yöntemleri kullanmak. Bu olasılık dağılımına dayalı bir potansiyeli hesaplanan yerel ile birleştirmek bedava enerji yapılandırmanın ardından, ekip daha sonra dereceli alçalma her ikisine de en iyi uyan çözüme.[7][8]

Daha teknik olarak, Torrisi et al. AlphaFold sürüm 1'in yaklaşımını şu şekilde özetledi:[9]

Central to AlphaFold, çok derin olarak uygulanan bir mesafe haritası tahmin aracıdır. artık sinir ağları 64 × 64 × 128 boyutluluğunun bir temsilini işleyen 220 kalıntı bloğu ile - iki 64 amino asit parçasından hesaplanan giriş özelliklerine karşılık gelir. Her kalıntı bloğun 3x3 genişlemiş evrişimli katmanı içeren üç katmanı vardır - bloklar 1, 2, 4 ve 8 değerlerinin genişlemesi yoluyla döngü yapar. Ağ, 1D ve 2D girişlerin bir kombinasyonunu kullanır; evrimsel profiller farklı kaynaklardan ve birlikte evrim özelliklerinden. AlphaFold, çok ince taneli bir uzaklık histogramı biçimindeki bir mesafe haritasının yanı sıra Φ ve Ψ açıları ilk tahmin edilen 3B yapıyı oluşturmak için kullanılan her kalıntı için. AlphaFold yazarları, modelin derinliğinin, büyük mahsul boyutunun, yaklaşık 29.000 proteinden oluşan geniş eğitim setinin, modern Derin Öğrenme tekniklerinin ve tahmin edilen uzaklık histogramından elde edilen bilgi zenginliğinin AlphaFold'un yüksek bir temas haritası tahmin hassasiyeti elde etmesine yardımcı olduğu sonucuna vardı. .

AlphaFold 2 blok tasarımı. Dikkat odaklı iki dönüşüm modülü, tasarımın ortasında görülebilir. (Kaynak:[6])

DeepMind ekibine göre, programın mevcut sürümü (AlphaFold 2), 2018'de CASP 13 kazanan orijinal sürümden önemli ölçüde farklı.[10][11]

Ekip, yerel fiziği örüntü tanımadan türetilen bir kılavuz potansiyeli ile birleştiren önceki yaklaşımının, zincir boyunca daha uzaktaki kalıntılar arasındaki etkileşimlere kıyasla, dizide yakın olan kalıntılar arasındaki etkileşimleri fazla hesaplama eğiliminde olduğunu tespit etmişti. Sonuç olarak, AlphaFold 1, biraz daha fazla olan modelleri tercih etme eğilimindeydi. ikincil yapı (alfa sarmalları ve beta sayfaları ) gerçekte durum buydu (bir tür aşırı uyum gösterme ).[12]

AlphaFold 1, daha sonra fiziğe dayalı enerji potansiyeli ile birleştirilen kılavuz potansiyelini üretmek için kullanılan, her biri ayrı olarak eğitilmiş bir dizi modül içeriyordu. AlphaFold 2, tüm bunları, tek bir entegre yapı olarak entegre bir şekilde eğitilen, tamamen örüntü tanımaya dayalı, tek bir farklılaştırılabilir uçtan-uca modelde birleştirilen bir alt ağ sistemi ile değiştirdi.[11][13] Yerel fizik, yalnızca tahmin edilen yapıyı çok az ayarlayan son bir iyileştirme adımı olarak uygulanır.[12] Tasarımın önemli bir parçası, temeline dayandığına inanılan iki modüldür. trafo kalıntı pozisyonları ve diğer kalıntı pozisyonları arasındaki ilişki matrisinin matematiksel dönüşümünü etkileyen ve tortu pozisyonları ile farklı diziler arasındaki sıra hizalaması tanımlanmış benzer DNA dizilerinin sırasıyla.[13] Bu dönüşümler, ilgili verileri bir araya getirme ve bu iki ilişki için ilgisiz verileri, içeriğe bağlı bir şekilde ("dikkat mekanizması"), eğitim verilerinden öğrenilebilecek şekilde filtreleme etkisine sahiptir. Çıktıları daha sonra nihai tahmin modülünü bilgilendirir.[13] Eğitimli sistem yinelendikçe, bunlar önce küçük amino asit kümeleri oluşturma eğilimindedir, ardından bu kümeleri genel bir yapıya yönlendirmenin yollarını oluşturur.[14]

AlphaFold ekibi, en yeni sürümün daha da geliştirilebileceğine ve doğrulukta daha fazla iyileştirmeye yer olduğuna inanıyor.[10]

Müsabakalar

CASP 2018 yarışmasında (küçük daireler) ve CASP 2020 yarışmasında (büyük daireler) en iyi rekonstrüksiyonlarla protein tahmini için elde edilen sonuçlar, önceki yıllarda elde edilen sonuçlarla karşılaştırıldığında. (Kaynak:[15])
Kızıl trend çizgisi, AlphaFold 1 dahil olmak üzere bir avuç modelin, özellikle tahmin edilmesi en zor kabul edilen protein dizileri açısından daha önce elde edilen ilerleme hızına göre 2018'de nasıl önemli bir adım değişikliği başardığını gösteriyor.
(Niteliksel iyileştirme daha önceki yıllarda yapılmıştı, ancak yalnızca değişikliklerin yapıları 8 Å CASP GDS-TS ölçüsünü etkilemeye başladıkları deneysel pozisyonları).
Turuncu trend çizgisi, 2020'ye kadar çevrimiçi tahmin sunucularının bu performanstan bir şeyler öğrenip bunlarla eşleştiğini, diğer en iyi grupların (yeşil eğri) ortalama olarak bazı iyileştirmeler yapabildiğini gösteriyor. Bununla birlikte, siyah trend eğrisi, AlphaFold 2'nin 2020'de bunu genel olarak tekrar aşma derecesini gösteriyor.
Veri noktalarının ayrıntılı dağılımı, AlphaFold ile elde edilen tutarlılık veya varyasyon derecesini gösterir. Aykırı değerler, bu kadar başarılı bir tahmin yapmadığı bir avuç diziyi temsil eder.

CASP13

Aralık 2018'de, DeepMind's AlphaFold, 13th genel sıralamasında birinci oldu. Protein Yapısı Tahmini için Tekniklerin Kritik Değerlendirmesi (CASP).

Program, mevcut olmayan yerlerde yarışma organizatörleri tarafından en zor olarak değerlendirilen hedefler için en doğru yapıyı özellikle başarıyla tahmin ediyordu. şablon yapıları kısmen benzer diziye sahip proteinlerden elde edildi. AlphaFold, bu sınıftaki 43 protein hedefinden 25'i için en iyi tahmini verdi,[16][17][18] CASP'larda medyan 58,9 puan elde etmek küresel mesafe testi (GDT) 52.5 ve 52.4'ün önünde bir sonraki en iyi sıradaki iki takımın skoru,[19] aynı zamanda temas mesafelerini tahmin etmek için derin öğrenmeyi de kullanıyorlardı.[20][21] Genel olarak, tüm hedefler genelinde, program 68,5'lik bir GDT puanı elde etti.[22]

Ocak 2020'de AlphaFold 1'in program kodu yayınlandı açık kaynak kaynak platformda, GitHub.[23][5]

CASP14

Kasım 2020'de geliştirilmiş bir sürüm olan AlphaFold 2, CASP14'ü kazandı.[6][24] Genel olarak, AlphaFold 2 97 hedeften 88'i için en iyi tahmini yaptı.[25]

Yarışmanın tercih ettiği küresel mesafe testi (GDT) Doğruluk ölçüsü, programın medyan puanı 92.4 (100 üzerinden) elde etti, bu da tahminlerinin yarısından fazlasının atomlarının aşağı yukarı doğru yerde olması nedeniyle% 92.4'ten daha iyi puanlandığı anlamına geliyor.[26][27] gibi deneysel tekniklerle karşılaştırılabilir olduğu bildirilen bir doğruluk düzeyi X-ışını kristalografisi.[10][28][22] AlphaFold 1, 2018'de tüm tahminlerinin ikisinde bu doğruluk seviyesine ulaşmıştı.[25] Tahminlerin% 88'inin GDT-TS puanı 80'den fazla idi.[29]:slayt 3 En zor olarak sınıflandırılan hedef grubunda, AlphaFold 2, ortalama 87 puan aldı.

Tarafından ölçülmüştür ortalama karekök sapması (RMS-D) protein omurga zincirinin karbon atomlarının yerleşiminin (RMS-D), en kötü uyan aykırı değerlerin performansına hakim olma eğilimindedir, AlphaFold 2'nin tahminlerinin% 88'inin RMS sapması 4'ten azdır. Å.[25] Tahminlerin% 76'sı 3 Å'dan daha iyi başardı ve% 46'sı 2 Å'dan daha iyi bir RMS doğruluğuna sahipti.[25] Genel olarak program, 2.1 Å tahminlerinde ortalama bir RMS sapması elde etti.[25] Karşılaştırma için, bağ uzunluğu tipik bir Karbon-Karbon bağının% 1.5'i Å.

AlphaFold 2'nin sonuçları o kadar iyiydi ki, konferans organizatörleri özellikle zorlayıcı buldukları yapılar için önde gelen dört deneysel gruba yaklaştılar ve verileriyle eşleşen çözümler bulamadılar.[29] Dört durumda da AlphaFold 2'den gelen tahminler o kadar doğruydu ki gruplar uygulayabildi standart yöntemler onlara ve doğrudan tam kristalografik çözümler elde edin.[29] Bunlar bir hücre zarı sıkışmış protein özellikle bir türden bir zar proteini Archaea deney ekibinin on yıldır üzerinde çalıştığı mikroorganizma. Bu tür proteinler, birçok insan hastalığının ve protein yapısının merkezinde yer alır ve bu tür deneysel tekniklerle bile tahmin edilmesi zor X-ışını kristalografisi.[4]

Tepkiler

AlphaFold 2'de 90'dan fazla puan alan CASP 's küresel mesafe testi (GDT) önemli bir başarı olarak kabul edilir hesaplamalı biyoloji ve "50 yıllık bir soruna" bir çözüm.[4] Nobel Ödülü kazanan ve yapısal biyolog Venki Ramakrishnan sonucu "protein katlanma probleminde çarpıcı bir ilerleme" olarak adlandırdı.[4] Rekabeti 1994 yılında protein yapılarını tahmin etme konusundaki hesaplama çabalarını geliştirmek için başlatan bir hesaplamalı biyolog olan John Moult, "Bu büyük bir mesele. Bir anlamda sorun çözüldü." Dedi.[28]

Bileşen amino asit sekansına dayalı olarak protein yapılarını doğru bir şekilde tahmin etme yeteneğinin, gelişmiş ilaç keşfini hızlandırmak ve hastalıkların daha iyi anlaşılmasını sağlamak dahil olmak üzere yaşam bilimleri alanında çok çeşitli faydalara sahip olması beklenmektedir.[28]

Başvurular

SARS-CoV-2

AlphaFold, proteinlerin yapılarını tahmin etmek için kullanılmıştır. SARS-CoV-2, nedensel ajanı COVID-19. Bu proteinlerin yapısı 2020'nin başlarında deneysel tespit edilmeyi bekliyordu.[30][28] Sonuçlar bilim adamları tarafından incelendi. Francis Crick Enstitüsü daha büyük araştırma topluluğuna yayınlanmadan önce Birleşik Krallık'ta. Ekip ayrıca deneysel olarak belirlenen SARS-CoV-2'ye karşı doğru tahmini doğruladı. başak protein paylaşıldı Protein Veri Bankası, üzerinde çalışılmamış protein moleküllerinin hesaplamalı olarak belirlenmiş yapılarını yayınlamadan önce, uluslararası bir açık erişimli veritabanı.[31] Ekip, bu protein yapılarının devam eden terapötik araştırma çabalarının konusu olmasa da, topluluğun SARS-CoV-2 virüsü anlayışına katkıda bulunacaklarını kabul etti.[31] Spesifik olarak, AlphaFold 2'nin yapısının tahmini Orf3a protein, araştırmacılar tarafından belirlenen yapıya çok benziyordu. California Üniversitesi, Berkeley kullanma kriyo-elektron mikroskobu. Bu spesifik proteinin, çoğaldığında virüsün konakçı hücreden ayrılmasına yardımcı olduğuna inanılmaktadır. Bu proteinin ayrıca enfeksiyona iltihaplı tepkiyi tetiklemede bir rol oynadığına inanılmaktadır.[32]

Yayınlanmış eserler

AlphaFold araştırması

Türev araştırma

  • Yang, Jianyi; Anishchenko, Ivan; Park, Hahnbeom; Peng, Zhenling; Ovchinnikov, Sergey; Baker, David (2019-11-18). "Tahmin edilen kalıntılar arası yönelimleri kullanarak geliştirilmiş protein yapısı tahmini". bioRxiv: 846279. doi:10.1101/846279. S2CID  209563981.
  • Billings, Wendy M .; Hedelius, Bryce; Millecam, Todd; Wingate, David; Corte, Dennis Della (2019-11-04). "ProSPr: Alphafold Protein Mesafe Tahmin Ağının Demokratikleştirilmiş Uygulaması". bioRxiv: 830273. doi:10.1101/830273. S2CID  209578310.

Referanslar

  1. ^ "AlphaFold". Derin Düşünce. Alındı 30 Kasım 2020.
  2. ^ a b c d e "DeepMind'ın protein katlayan yapay zekası, 50 yıllık büyük bir biyoloji sorununu çözdü". MIT Technology Review. Alındı 2020-11-30.
  3. ^ Shead, Sam (2020-11-30). "DeepMind, protein katlama yapay zekası ile 50 yıllık 'büyük sorunu' çözdü." CNBC. Alındı 2020-11-30.
  4. ^ a b c d e ServiceNov. 30, Robert F .; 2020; Am, 10:30 (2020-11-30). "'Oyun değişti. ' Yapay zeka, protein yapılarını çözmede zafer kazanıyor ". Bilim | AAAS. Alındı 2020-12-01.CS1 bakimi: sayısal isimler: yazarlar listesi (bağlantı)
  5. ^ a b c "AlphaFold: Bilimsel keşif için yapay zekayı kullanma". Derin Düşünce. Alındı 2020-11-30.
  6. ^ a b c "AlphaFold: biyolojide 50 yıllık büyük bir zorluğa bir çözüm". Derin Düşünce. Alındı 30 Kasım 2020.
  7. ^ Muhammed AlQuraishi (Mayıs 2019), CASP13'te AlphaFold, Biyoinformatik, 35(22), 4862–4865 doi:10.1093 / biyoinformatik / btz422. Ayrıca bkz.Muhammed AlQuraishi (9 Aralık 2018), AlphaFold @ CASP13: "Az önce ne oldu?" (Blog yazısı).
    Mohammed AlQuraishi (15 Ocak 2020), Protein yapısı tahmini için bir dönüm noktası anı, Doğa 577, 627-628 doi:10.1038 / d41586-019-03951-0
  8. ^ AlphaFold: Protein yapısı tahmini için makine öğrenimi, Katla şunu, 31 Ocak 2020
  9. ^ Torrisi, Mirko vd. (22 Ocak 2020), Protein yapısı tahmininde derin öğrenme yöntemleri. Hesaplamalı ve Yapısal Biyoteknoloji Dergisi vol. 18 1301-1310. doi:10.1016 / j.csbj.2019.12.011 (CC-BY-4.0)
  10. ^ a b c "DeepMind, biyolojinin en büyük zorluklarından birine cevap veriyor". Ekonomist. 2020-11-30. ISSN  0013-0613. Alındı 2020-11-30.
  11. ^ a b Jeremy Kahn, DeepMind'ın protein katlama A.I.'deki atılımından dersler., Servet 1 Aralık 2020
  12. ^ a b John Jumper vd. (Aralık 2020)
  13. ^ a b c Blok şemasına bakın
  14. ^ Robert F.Hizmet, "Oyun değişti." Yapay zeka, protein yapılarını çözmede zafer kazanıyor, Bilim, 30 Kasım 2020
  15. ^ John Moult (30 Kasım 2020), CASP 14 tanıtım sunumu, slayt 19. Ayrıca bkz. CASP 14 video akışı 1. gün bölüm 1, 00:22:46 tarihinden itibaren
  16. ^ Sample, Ian (2 Aralık 2018). "Google'ın DeepMind'i, proteinlerin 3 boyutlu şekillerini tahmin ediyor". Gardiyan. Alındı 30 Kasım 2020.
  17. ^ "AlphaFold: Bilimsel keşif için yapay zekayı kullanma". Derin Düşünce. Alındı 30 Kasım 2020.
  18. ^ Singh, Arunima (2020). "Derin öğrenme 3D yapıları". Doğa Yöntemleri. 17 (3): 249. doi:10.1038 / s41592-020-0779-y. ISSN  1548-7105. PMID  32132733. S2CID  212403708.
  19. ^ Görmek CASP 13 veri tabloları 043 A7D, 322 Zhang ve 089 MULTICOM için
  20. ^ Wei Zheng ve diğerleri,CASP13'te derin öğrenme temas haritası rehberli protein yapısı tahmini, Proteinler: Yapı, İşlev ve Biyoinformatik, 87(12) 1149-1164 doi:10.1002 / prot.25792; ve slaytlar
  21. ^ Jie Hou ve diğerleri (2019), CASP13'te derin öğrenme ve temas mesafesi tahmini ile yönlendirilen üçüncül protein yapı modellemesi, Proteinler: Yapı, İşlev ve Biyoinformatik, 87(12) 1165-1178 doi:10.1002 / prot.25697
  22. ^ a b "DeepMind Atılımı, Hastalıkların Hücreleri Nasıl İstila Ettiğini Çözmeye Yardımcı Oluyor". Bloomberg.com. 2020-11-30. Alındı 2020-11-30.
  23. ^ "deepmind / deepmind-araştırma". GitHub. Alındı 2020-11-30.
  24. ^ "DeepMind'ın protein katlayan yapay zekası, 50 yıllık büyük bir biyoloji sorununu çözdü". MIT Technology Review. Alındı 30 Kasım 2020.
  25. ^ a b c d e Mohammed AlQuraishi, twitter dizisi, 30 Kasım 2020.
  26. ^ Kullanılan GDT-TS ölçüsü için, tahmindeki her atom 8 içindeyse bir puanın çeyreğini alır. Å deneysel konumun; 4 Å içindeyse yarım nokta, 2 Å içindeyse bir noktanın dörtte üçü ve 1 Å içindeyse tam bir nokta.
  27. ^ 92,5'lik bir GDT-TS puanı elde etmek için, matematiksel olarak yapının en az% 70'i 1 Å dahilinde doğru olmalı ve en az% 85'i 2 Å dahilinde doğru olmalıdır.
  28. ^ a b c d Callaway, Ewen (2020-11-30). "'Her şeyi değiştirecek ': DeepMind'in yapay zekası, protein yapılarını çözmede devasa bir adım atıyor ". Doğa. doi:10.1038 / d41586-020-03348-4.
  29. ^ a b c Andriy Kryshtafovych (30 Kasım 2020), Deneyciler: Modeller yararlı mı? CASP 14 sunumu. Ayrıca bkz. CASP 14 video akışı 1. gün bölüm 1, 0:34:30 itibarıyla
  30. ^ "Yapay Zeka, Bilim İnsanlarının Covid-19 Aşısı Bulmasına Yardımcı Olabilir". Kablolu. ISSN  1059-1028. Alındı 2020-12-01.
  31. ^ a b "COVID-19 ile ilişkili protein yapılarının hesaplamalı tahminleri". Derin Düşünce. Alındı 2020-12-01.
  32. ^ "DeepMind'in yeni protein katlayan yapay zekası, koronavirüs salgınıyla mücadeleye şimdiden nasıl yardımcı oluyor". Servet. Alındı 2020-12-01.

Dış bağlantılar