AlphaProteo, eine neue Technologie zur Erzeugung von Proteinen für Biologie- und Gesundheitsforschung

AlphaProteo erzeugt neue Proteine für Biologie- und Gesundheitsforschung

• Ein neues KI-System entwirft Proteine, die erfolgreich an Zielmoleküle binden, und hat damit Potenzial für Wirkstoffdesign, das Verständnis von Krankheiten und mehr
• Alle biologischen Prozesse beruhen auf Wechselwirkungen zwischen Molekülen, die Proteine genannt werden
• Werkzeuge zur Vorhersage von Proteinstrukturen wie AlphaFold liefern Einblicke in Proteininteraktionen, können diese Interaktionen jedoch nicht direkt steuern, indem sie neue Proteine erzeugen
• Wissenschaftler können neue Proteine erzeugen, die erfolgreich an Zielmoleküle binden
• Diese Binder können in vielen Forschungsbereichen helfen, darunter Wirkstoffentwicklung, Zell- und Gewebe-Bildgebung, Krankheitsverständnis und Diagnostik sowie die Entwicklung schädlingsresistenter Nutzpflanzen
• Jüngste Machine-Learning-Ansätze haben große Fortschritte erzielt, erfordern aber weiterhin viele experimentelle Tests

Einführung in AlphaProteo

• AlphaProteo ist das erste KI-System zur Entwicklung neuer hochaffiner Protein-Binder für die Biologie- und Gesundheitsforschung
• Diese Technologie kann das Verständnis biologischer Prozesse beschleunigen und bei der Entdeckung neuer Medikamente, der Entwicklung von Biosensoren und mehr helfen
• AlphaProteo kann neue Protein-Binder für verschiedene Zielproteine erzeugen, darunter VEGF-A, das mit Krebs und Komplikationen bei Diabetes in Verbindung steht
• AlphaProteo weist eine hohe experimentelle Erfolgsquote auf und erreicht eine 3- bis 300-mal bessere Bindungsaffinität als bestehende Methoden

Lernen komplexer Methoden der Proteinbindung

• Das Design von Protein-Bindern ist zeitaufwendig und erfordert viele Laboriterationen
• AlphaProteo wurde mit dem Protein Data Bank (PDB) und mehr als 100 Millionen von AlphaFold vorhergesagten Strukturen trainiert
• Wenn die Struktur des Zielmoleküls und die bevorzugte Bindungsstelle vorgegeben werden, erzeugt AlphaProteo Kandidatenproteine, die an diese Stelle binden

Erfolgreiche Demonstration an wichtigen Zielen für Proteinbindung

• AlphaProteo entwarf Binder für verschiedene Zielproteine
• In Labortests banden von AlphaProteo erzeugte Kandidatenproteine stark an 7 Zielproteine
• Für das virale Protein BHRF1 banden 88 % der Kandidatenmoleküle erfolgreich
• Für das Ziel TrkA waren die Binder von AlphaProteo stärker als die bisher besten Binder

Validierung der Ergebnisse

• Die Binder von AlphaProteo wurden von einer Forschungsgruppe am Francis Crick Institute validiert
• Ein SC2RBD-Binder verhinderte die Zellinfektion durch SARS-CoV-2 und einige Varianten
• AlphaProteo kann die Zeit für frühe Experimente erheblich verkürzen
• Beim Entwurf eines Binders für das Ziel TNFɑ scheiterte das System jedoch
• Es ist geplant, die Fähigkeiten von AlphaProteo zu verbessern und auszubauen

Hin zu einer verantwortungsvollen Entwicklung des Proteindesigns

• Proteindesign hat großes Potenzial für wissenschaftlichen Fortschritt, etwa beim Verständnis von Krankheitsursachen, der Beschleunigung der Entwicklung diagnostischer Tests, der Unterstützung nachhaltiger Fertigungsprozesse und der Entfernung von Umweltverschmutzungen
• Unter Berücksichtigung von Biosicherheitsrisiken wird in Zusammenarbeit mit externen Experten an einer verantwortungsvollen Entwicklung gearbeitet
• Ziel ist es, Erfolgsquote und Affinität von AlphaProteo zu verbessern, den Umfang der Designprobleme zu erweitern und gemeinsam mit Forschern aus verschiedenen Disziplinen umfassendes Proteindesign bereitzustellen

Zusammenfassung von GN⁺

• AlphaProteo ist ein KI-System zur Entwicklung neuer Protein-Binder für die Biologie- und Gesundheitsforschung
• Diese Technologie kann in vielen Forschungsbereichen wie Wirkstoffentwicklung, Krankheitsverständnis und Diagnostik sehr hilfreich sein
• AlphaProteo zeichnet sich durch eine höhere Erfolgsquote und Bindungsaffinität als bestehende Methoden aus
• Es gibt jedoch Grenzen beim Entwurf von Bindern für einige Zielproteine
• Die Fähigkeiten von AlphaProteo sollen kontinuierlich verbessert und erweitert werden

[GN⁺]

Hacker-News-Kommentare

• Mangel an Innovation: De-novo-Proteinbinder wurden bereits umfassend erforscht. Siehe Beispiele aus der Gruppe von David Baker.
  • Erwartung: Es bleibt zu hoffen, dass solche Fortschritte zu neuen Methoden für das Design von Biokatalysatoren führen.
• Zugehöriges Video: Link zu einem relevanten Video von Two Minute Papers.
• Frage zum Virus-Engineering: Frage, ob Virus-Engineering möglich ist, das Bevölkerungsgruppen mit bestimmten genetischen Markern gezielt adressiert.
  • Sorge: Die Kommerzialisierung solcher Technologien könnte weitaus beängstigender sein als Debatten über die Sicherheit von LLMs.
• AlphaFold-3-Fehler: Link zu einem relevanten Video.
• Googles Nutzung: Frage, wie Google solche Systeme einsetzt.
  • Offene Frage: Ob sie direkt für die Wirkstoffentwicklung verwendet werden oder an die Pharmaindustrie lizenziert werden.
• Frage zum Design von Proteinstrukturen: Frage, ob sich Proteinstrukturen entwerfen lassen, die nur an bestimmte Zellen binden.
  • Forschungsinteresse: Interesse daran, möglichst viele pleiotrope Effekte zu kartieren.
  • Problem: Die Pleiotropie von Wirkstoffen ist problematisch. Proteine können mehrere Funktionen erfüllen, wodurch Nebenwirkungen erheblich sein können.
  • Erwartung: Wenn sich ultraspezifische Proteinstrukturen herstellen ließen, die nur an bestimmte Bereiche binden, wäre das ein großer Durchbruch.
• Mangelnde Analyse des Papers: Es braucht mehr Analyse zur Neuartigkeit der entworfenen Proteine.
  • Vorhandene Daten: Andere Binder für VEGF und das Covid-Spike-Protein existieren bereits.
  • Ausblick: Auch wenn AlphaProteo derzeit vielleicht noch nicht die beste Leistung erreicht, wird es das vermutlich bald tun.
• Schwierigkeit der Proteingenerierung: Proteine zu erzeugen ist schwierig, und es ist ungewiss, ob sie sich in die vorhergesagte 3D-Struktur falten.
  • Kleinmolekül-Synthese: Die Synthese von Kleinmolekülen ist einfacher, günstiger und besser skalierbar.
  • Verbesserungsbedarf: Es wäre wirkungsvoller gewesen, sich auf die Verbesserung von SOTA-Modellen für Kleinmolekül-Protein-Interaktionen zu konzentrieren.
• Wichtiges Startup: Erwähnung von www.molecularReality.com