來源：生物谷原創 2023-04-30 20:43
在一項新的研究中，來自美國華盛頓大學的研究人員成功地將強化學習（reinforcement learning）應用于分子生物學的挑戰。他們開發出一種強大的新蛋白設計軟件，該軟件改編自一種在國際象棋和圍
在一項新的研究中，來自美國華盛頓大學的研究人員成功地將強化學習（reinforcement learning）應用于分子生物學的挑戰。他們開發出一種強大的新蛋白設計軟件，該軟件改編自一種在國際象棋和圍棋等棋盤游戲中被證明是擅長的策略。在一項實驗中，用這種新方法制造的蛋白被發現能更有效地在小鼠體內產生有用的抗體。這一突破可能很快會帶來更有效的疫苗。更廣泛地說，這種方法可能導致蛋白設計的新時代。相關研究結果發表在2023年4月21日的Science期刊上，論文標題為“Top-down design of protein architectures with reinforcement learning”。
論文共同通訊作者、華盛頓大學醫學院生物化學教授David Baker說，“我們的研究結果表明，強化學習可以做的不僅僅是掌握棋盤游戲。當訓練解決蛋白科學中長期存在的難題時，該軟件在構建有用分子方面表現出色。如果把這種方法應用到正確的研究問題上，它可能加速各種科學領域的進步。”
這項新的研究是利用人工智能進行蛋白科學研究的一個里程碑。潛在的應用是巨大的，從開發更有效的癌癥治療方法到合成新的可生物降解的紡織品。
強化學習是一種機器學習，在這種機器學習中，計算機程序通過嘗試不同的行動和接受反饋來學習作出決定。例如，這樣的算法可以通過測試棋盤上導致勝利或失敗的數百萬種不同走法來學習下棋。該程序旨在從這些經驗中學習，并隨著時間的推移變得更善于作出決定。
為了開發一種用于蛋白設計的強化學習程序，這些作者給計算機提供了數百萬種簡單的起始分子。然后，該軟件進行了一萬次嘗試，隨機改進每種分子，使其達到預定的目標。計算機延長了蛋白的長度或以特定的方式讓它們彎曲，直到它學會如何將它們扭曲成所需的形狀。
論文共同第一作者、Baker實驗室的Isaac D. Lutz解釋說，“我們的方法是獨特的，因為我們使用強化學習來解決構建蛋白形狀的問題，這些蛋白的形狀像拼圖一樣組合在一起。這在以前的方法中是不可能實現的，并且有可能改變我們可以構建的分子類型。”
作為這項新研究的一部分，這些作者在實驗室里制造了數百種人工智能設計的蛋白。通過使用電子顯微鏡和其他儀器，他們證實了許多由計算機構建的蛋白形狀確實在實驗室里實現了。
論文共同通訊作者兼論文共同第一作者、華盛頓大學醫學蛋白設計研究所博士后學者Shunzhi Wang說，“這種方法被證明不僅準確，而且高度可定制。例如，我們要求該軟件制作沒有孔、小孔或大孔的球形結構。它制作各種結構的潛力還有待充分挖掘。”
這些作者專注于設計由許多蛋白分子組成的新納米級結構。這需要同時設計蛋白成分本身和允許納米結構自我組裝的化學界面。
電子顯微鏡證實，許多人工智能設計的納米結構能夠在實驗室中形成。作為衡量這種設計軟件變得多么精確的措施，科學家們觀察到許多獨特的每個原子都被發現在預定位置的納米結構。換句話說，預期的納米結構和他們在實驗室實現的納米結構之間的偏差平均小于一個原子的寬度。這就是所謂的原子精確設計。
圖片來自Science, 2023, doi:10.1126/science.adf6591。
這些作者預見到，在未來，這種方法可以使他們和其他人制造治療性蛋白、疫苗和其他以前的方法是無法制造的的分子。
這些作者利用血管細胞的原代細胞模型發現，利用這種新方法所設計的蛋白支架的性能優于以前的技術版本。例如，由于幫助細胞接收和解釋信號的受體更密集地聚集在這些更緊湊的蛋白支架上，它們在促進血管穩定方面更有效。
論文共同作者、華盛頓大學醫學院生物化學教授Hannele Ruohola-Baker談到了這項新的研究對再生醫學的影響：“該技術越精確，就越能開辟出潛在的應用，包括對糖尿病、腦損傷、中風和其他血管受到威脅的疾病進行的血管治療。我們還可以想象，我們用來將干細胞分化成多種細胞類型的因子的遞送更加精確，為我們提供了調節細胞發育和老化過程的新方法。”（生物谷 Bioon.com）
參考資料：
Isaac D. Lutz et al. Top-down design of protein architectures with reinforcement learning. Science, 2023, doi:10.1126/science.adf6591.
