Шанхайський транспортний університет випустив модель дизайну білка, яка за допомогою штучного інтелекту може ефективно та точно розробляти відповідні функції.
22 березня команда професора Хонг Ляна з Шанхайського транспортного університету опублікувала модель дизайну білків Venus. Ця команда поєднала штучний інтелект з дизайном та модифікацією білків, створивши найбільший у світі набір даних про білки. Модель, натренована на цьому наборі даних, може точно та ефективно прогнозувати і проектувати функції білків, перетворюючи виробництво білків з "повільного методу проб і помилок" на "високоефективний точний дизайн".
Цей результат у поєднанні з провідним у галузі автоматизованим обладнанням вже реалізовано в промисловості, перетворивши проєктування білків з колишньої «складної науки» на сьогоднішню «просту інженерію».
Команда Hongliang створила набір даних послідовностей білків Venus-Pod (Venus-Protein Outsize Dataset), який містить майже 9 мільярдів послідовностей білків і сотні мільйонів функціональних міток. Це найбільший у світі набір даних за обсягом та кількістю функціональних міток, а також в 4 рази більший за 2,1 мільярда послідовностей білків, використаних для навчання відомої моделі в іншій галузі — моделі ESM-C в США.
Цей набір даних містить 3,62 мільярда білкових послідовностей наземних мікроорганізмів, 2,64 мільярда білкових послідовностей морських мікроорганізмів, 2,43 мільярда білкових послідовностей антитіл, 60 мільйонів білкових послідовностей вірусів, охоплюючи інформацію про білкові послідовності як звичайних наземних організмів, так і мікроорганізмів з екстремальних середовищ, особливо забезпечуючи сотні мільйонів функціональних міток (температура роботи білків, кислотність, тиск тощо).
Гунлян зазначив, що цей набір даних складає величезні "протеїнові родовища", що дозволяє людству видобувати нові білки або біокаталізатори, сприяючи швидкому розвитку біомедицини та синтетичної біології; по-друге, великі моделі ШІ можуть навчатися на величезних обсягах даних та опановувати еволюційні патерни білків у природі, що надає цінний навчальний матеріал для проєктування відмінних білкових продуктів за допомогою ШІ.
У 2024 році Нобелівську премію з хімії присудили команді Google DeepMind, яка за допомогою технологій штучного інтелекту точно роз解析ила зв'язок між послідовністю білків і їх тривимірною структурою, вирішивши основну проблему, що турбувала біологів протягом 50 років.
Однак практична проблема полягає в тому, що якщо амінокислотну послідовність білка трохи змінити, навіть якщо це лише невелика зміна на 1%, загальна структура білка, здається, істотно не зміниться, але його функція, швидше за все, погіршиться, або навіть повністю втрачеться.
Отже, щоб розробити успішний продукт на основі білків, потрібно не тільки зосередитися на його тривимірній структурі, а й успішно передбачити та спроектувати його функцію.
Тому команда професора Хонг Ляна "знайшла альтернативний шлях", більше не зосереджуючись на структурі білків, а безпосередньо націлюючись на "прогнозування функцій" як кінцеву мету, перетворюючи складний процес проектування білків на простий процес, орієнтований на потреби, з використанням невеликої кількості експериментів для отримання результатів.
“Ми навчали моделі серії Venus (Венера), яка відрізняється від AlphaFold команди DeepMind, оскільки ця модель вивчає організаційні правила послідовностей білків у природі та їх зв'язок з функцією, її точність у прогнозуванні функції мутацій білків займає перше місце в галузевому рейтингу.” - зазначив Хонг Лян.
Моделі серії Venus мають дві основні функції: "AI-орієнтована еволюція" та "AI-екстракція ферментів".
Термін "AI-орієнтована еволюція" означає, що моделі серії Venus можуть оптимізувати різні характеристики не зовсім задовільного білкового продукту, перетворюючи його на "шестикутного воїна", що відповідає вимогам застосування.
"AI-видобуток ферментів" означає, що моделі серії Venus, спираючись на свій величезний набір даних про невідомі функціональні білки, можуть "масово відбирати супергероїв", щоб точно виявити білки з надзвичайними функціями, які відповідають суворим вимогам застосування, такими як надзвичайна термостійкість, надзвичайна кислотостійкість, надзвичайна лужностійкість, надзвичайна стійкість до травлення в шлунково-кишковому тракті тощо.
Ці надзвичайні функціональні білки мають величезний потенціал для застосування в біотехнології, розробці ліків та промисловому виробництві, здатні принести інновації та прориви у відповідних сферах.
Водночас, у поєднанні з глобальною першою в світі автоматизованою системою для низькотоксичного експресії, очищення та функціональних тестів білків серії Venus, яка може безперервно виконувати завдання експресії, очищення та тестування понад 100 білків протягом 24 годин, ефективність роботи зростає майже в 10 разів, що значно зменшує витрати на людські ресурси, матеріальні ресурси та час у процесі дослідження, значно підвищуючи ефективність досліджень у галузі білкової інженерії та синтетичної біології. Її мета полягає в тому, щоб "дизайн на основі AI, автоматизація експериментів", звільняючи дослідників від складних дизайнів та експериментів, їм потрібно лише поставити питання, а AI та автоматизація вирішать проблему, в кінцевому підсумку перетворюючи складні наукові відкриття в простий процес "як у фотовікнах".
Наразі кілька білків, розроблених за моделями серії Venus, вже реалізовані в промисловості.
На прикладі лідера вітчизняного ринку гормонів росту компанії JinSai Pharmaceutical, яка провела модифікацію однодомних антитіл для підвищення їхньої стійкості до лугів. Підвищення стійкості білків до лугів завжди було надзвичайно складним завданням. Команда Хун Лянь, використовуючи цю модель у поєднанні з невеликою кількістю експериментів, пройшла цикл ітерацій верифікації і за менш ніж рік змогла підвищити стійкість звичайних однодомних антитіл у 4 рази, що дозволило компанії JinSai Pharmaceutical зекономити понад тисячу тисяч юанів щорічно. Цей результат вже був реалізований у кількох партіях з масштабуванням виробництва до 5000 літрів, ставши першим у світі білковим продуктом, розробленим за допомогою великої моделі та виробленим у промислових масштабах.
Іншою інноваційною аплікацією моделі серії Venus є проект модифікації лужної фосфатази (ALP) для компанії, що займається ін-вітро діагностикою. ALP широко використовується як міткова фермент через свою високу стабільність і чутливість; чим вища його активність, тим вища чутливість виявлення, що дозволяє виявляти надзвичайно низькі біомаркери, але підвищення активності ALP завжди було викликом. Модель серії Venus успішно оптимізувала ALP, збільшивши його молекулярну активність в 3 рази порівняно з продуктами провідних міжнародних компаній, що приносить величезну цінність для надчутливих діагностичних досліджень (таких як інфаркт міокарда, хвороба Альцгеймера). Наразі модифікований ALP вже перейшов до етапу масштабування виробництва обсягом 200 літрів, що свідчить про успішну промислову трансформацію моделі серії Venus.
Контент має виключно довідковий характер і не є запрошенням до участі або пропозицією. Інвестиційні, податкові чи юридичні консультації не надаються. Перегляньте Відмову від відповідальності , щоб дізнатися більше про ризики.
Нагородити
подобається
1
Поділіться
Прокоментувати
0/400
GateUser-488cbe78
· 03-24 02:31
Новини Odaily Ethena команда оголосила на офіційному Discord каналі, що сторінка запиту аірдропу Season3 буде запущена на першому тижні квітня, перед цим офіційно буде надано більше деталей щодо розподілу аірдропу Season3. Крім того, Ethena також оголосила, що активність Season4 розпочнеться 24 березня і триватиме 6 місяців до 24 вересня.
Шанхайський транспортний університет випустив модель дизайну білка, яка за допомогою штучного інтелекту може ефективно та точно розробляти відповідні функції.
22 березня команда професора Хонг Ляна з Шанхайського транспортного університету опублікувала модель дизайну білків Venus. Ця команда поєднала штучний інтелект з дизайном та модифікацією білків, створивши найбільший у світі набір даних про білки. Модель, натренована на цьому наборі даних, може точно та ефективно прогнозувати і проектувати функції білків, перетворюючи виробництво білків з "повільного методу проб і помилок" на "високоефективний точний дизайн".
Цей результат у поєднанні з провідним у галузі автоматизованим обладнанням вже реалізовано в промисловості, перетворивши проєктування білків з колишньої «складної науки» на сьогоднішню «просту інженерію».
Команда Hongliang створила набір даних послідовностей білків Venus-Pod (Venus-Protein Outsize Dataset), який містить майже 9 мільярдів послідовностей білків і сотні мільйонів функціональних міток. Це найбільший у світі набір даних за обсягом та кількістю функціональних міток, а також в 4 рази більший за 2,1 мільярда послідовностей білків, використаних для навчання відомої моделі в іншій галузі — моделі ESM-C в США.
Цей набір даних містить 3,62 мільярда білкових послідовностей наземних мікроорганізмів, 2,64 мільярда білкових послідовностей морських мікроорганізмів, 2,43 мільярда білкових послідовностей антитіл, 60 мільйонів білкових послідовностей вірусів, охоплюючи інформацію про білкові послідовності як звичайних наземних організмів, так і мікроорганізмів з екстремальних середовищ, особливо забезпечуючи сотні мільйонів функціональних міток (температура роботи білків, кислотність, тиск тощо).
Гунлян зазначив, що цей набір даних складає величезні "протеїнові родовища", що дозволяє людству видобувати нові білки або біокаталізатори, сприяючи швидкому розвитку біомедицини та синтетичної біології; по-друге, великі моделі ШІ можуть навчатися на величезних обсягах даних та опановувати еволюційні патерни білків у природі, що надає цінний навчальний матеріал для проєктування відмінних білкових продуктів за допомогою ШІ.
У 2024 році Нобелівську премію з хімії присудили команді Google DeepMind, яка за допомогою технологій штучного інтелекту точно роз解析ила зв'язок між послідовністю білків і їх тривимірною структурою, вирішивши основну проблему, що турбувала біологів протягом 50 років.
Однак практична проблема полягає в тому, що якщо амінокислотну послідовність білка трохи змінити, навіть якщо це лише невелика зміна на 1%, загальна структура білка, здається, істотно не зміниться, але його функція, швидше за все, погіршиться, або навіть повністю втрачеться.
Отже, щоб розробити успішний продукт на основі білків, потрібно не тільки зосередитися на його тривимірній структурі, а й успішно передбачити та спроектувати його функцію.
Тому команда професора Хонг Ляна "знайшла альтернативний шлях", більше не зосереджуючись на структурі білків, а безпосередньо націлюючись на "прогнозування функцій" як кінцеву мету, перетворюючи складний процес проектування білків на простий процес, орієнтований на потреби, з використанням невеликої кількості експериментів для отримання результатів.
“Ми навчали моделі серії Venus (Венера), яка відрізняється від AlphaFold команди DeepMind, оскільки ця модель вивчає організаційні правила послідовностей білків у природі та їх зв'язок з функцією, її точність у прогнозуванні функції мутацій білків займає перше місце в галузевому рейтингу.” - зазначив Хонг Лян.
Моделі серії Venus мають дві основні функції: "AI-орієнтована еволюція" та "AI-екстракція ферментів".
Термін "AI-орієнтована еволюція" означає, що моделі серії Venus можуть оптимізувати різні характеристики не зовсім задовільного білкового продукту, перетворюючи його на "шестикутного воїна", що відповідає вимогам застосування.
"AI-видобуток ферментів" означає, що моделі серії Venus, спираючись на свій величезний набір даних про невідомі функціональні білки, можуть "масово відбирати супергероїв", щоб точно виявити білки з надзвичайними функціями, які відповідають суворим вимогам застосування, такими як надзвичайна термостійкість, надзвичайна кислотостійкість, надзвичайна лужностійкість, надзвичайна стійкість до травлення в шлунково-кишковому тракті тощо.
Ці надзвичайні функціональні білки мають величезний потенціал для застосування в біотехнології, розробці ліків та промисловому виробництві, здатні принести інновації та прориви у відповідних сферах.
Наразі кілька білків, розроблених за моделями серії Venus, вже реалізовані в промисловості.
На прикладі лідера вітчизняного ринку гормонів росту компанії JinSai Pharmaceutical, яка провела модифікацію однодомних антитіл для підвищення їхньої стійкості до лугів. Підвищення стійкості білків до лугів завжди було надзвичайно складним завданням. Команда Хун Лянь, використовуючи цю модель у поєднанні з невеликою кількістю експериментів, пройшла цикл ітерацій верифікації і за менш ніж рік змогла підвищити стійкість звичайних однодомних антитіл у 4 рази, що дозволило компанії JinSai Pharmaceutical зекономити понад тисячу тисяч юанів щорічно. Цей результат вже був реалізований у кількох партіях з масштабуванням виробництва до 5000 літрів, ставши першим у світі білковим продуктом, розробленим за допомогою великої моделі та виробленим у промислових масштабах.
Іншою інноваційною аплікацією моделі серії Venus є проект модифікації лужної фосфатази (ALP) для компанії, що займається ін-вітро діагностикою. ALP широко використовується як міткова фермент через свою високу стабільність і чутливість; чим вища його активність, тим вища чутливість виявлення, що дозволяє виявляти надзвичайно низькі біомаркери, але підвищення активності ALP завжди було викликом. Модель серії Venus успішно оптимізувала ALP, збільшивши його молекулярну активність в 3 рази порівняно з продуктами провідних міжнародних компаній, що приносить величезну цінність для надчутливих діагностичних досліджень (таких як інфаркт міокарда, хвороба Альцгеймера). Наразі модифікований ALP вже перейшов до етапу масштабування виробництва обсягом 200 літрів, що свідчить про успішну промислову трансформацію моделі серії Venus.
(Джерело: Jiemian News)
Джерело: 东方财富网
Автор: Інтерфейс новин