Нейросети учат просчитывать взаимодействия между белками
Российские исследователи разработали подход, который позволяет с точностью до 95 процентов при помощи систем искусственного интеллекта спрогнозировать то, как будут взаимодействовать друг с другом различные белковые молекулы. Данная разработка ускорит поиск потенциальных «мишеней» для лекарств и улучшит понимание механизмов развития многих болезней. Об этом сообщает информационное агентство ТАСС.
«Глубинные нейросети представляют собой эффективную альтернативу для дорогостоящих и трудоемких экспериментов по изучению взаимодействий белков, однако существующие системы такого рода часто не учитывают в своей работе важнейшую информацию о свойствах поверхности белков. Наш подход учитывает эту информацию вместе с последовательностью и трехмерной структурой белка и превосходит в точности работы уже существующие подходы», – пишут исследователи.
Как отмечают разработчики этого алгоритма, группа ученых под руководством директора Центра биомедицинских исследований и технологий Института искусственного интеллекта и цифровых наук НИУ ВШЭ (Москва) Марии Попцовой, значительная часть болезней возникает в результате появления сбоев во взаимодействиях между белками, а также белками и различными сигнальными молекулами.
Это побуждает ученых изучать взаимодействия между белками на молекулярном уровне, что требует или использования дорогостоящих и трудоемких экспериментов при помощи методов рентгеновской кристаллографии, или длительных расчетов при помощи суперкомпьютеров. Несколько лет назад эти расчеты были резко упрощены после появления нейросетей, способных определять трехмерную структуру белков и просчитывать их взаимодействия.
Российские исследователи выяснили, что точность работы этих ИИ-инструментов можно значительным образом повысить при помощи созданного ими подхода. Он опирается на несколько разных типов нейросетей, которые учитывают в своей работе три типа данных: аминокислотную последовательность белков, их трехмерную структуру и свойства молекулярной поверхности.
Работу этого подхода исследователи проверили на наборе коротких пептидов из одного из самых крупных банков данных по белковым взаимодействиям. Оказалось, что разработка ученых достигла уровня точности в 95,7 процента и превзошла популярные решения, такие как алгоритмы GCN и GAT, применяемые для этих расчетов. Это говорит о важности учета свойств поверхности белков при прогнозировании их взаимодействий, подытожили исследователи.
Подготовил Роман БОНДАРЧУК, УзА
