Vedec Lukačišin o prínose nobeloviek Predvídanie 3D štruktúr bielkovín predstavuje revolúciu, trápilo nás to dekády

Martin Lukačišin v rozhovore opisuje, prečo až emotívne vníma zásadný posun v predpovedaní 3D štruktúr bielkovín. Vysvetľuje aj to, ako k vyriešeniu desaťročia starého problému prispela umelá inteligencia.

Výskumník v oblasti systémovej biológie ozrejmuje, aké praktické dôsledky pre ľudstvo môže spomínaný objav priniesť a akým smerom sa bude uberať ďalšie bádanie v tejto oblasti.

Okrem skrátenej textovej verzie si môžete celý rozhovor pozrieť alebo vypočuť.

Minulý rok ste u nás uverejnili zaujímavý text, keďže vás zaujalo, že vedci prišli na spôsob, ako pomocou umelej inteligencie navrhnúť proteíny plniace želanú funkciu. Išlo o výskum Američana Davida Bakera a práve on spolu s Britmi Demisom Hassabisom a Johnom Jumperom z Googlu DeepMind získali nedávno Nobelovu cenu za chémiu. Podarilo sa im využiť umelú inteligenciu na predvídanie štruktúry takmer všetkých známych bielkovín na Zemi. Čo tento objav znamená pre ľudstvo?

Z môjho pohľadu je to úplná revolúcia v biológii, pretože tento objav rieši problém skladania proteínov.

V ľudskom tele je veľa bielkovín, ktoré sa dajú označiť aj ako proteíny. Spravidla vykonávajú tie najzložitejšie funkcie, ktoré sa v nás dejú.

A to, ako sú pospájané základné stavebné jednotky proteínov, teda aminokyseliny, je uložené v genetickej informácii. Keby sa však aminokyseliny len pospájali a vytvorili rovný reťazec, nemali by svoju funkciu. Aby proteín mal svoju funkciu, potrebuje sa pospájať do trojrozmernej štruktúry.

Vďaka tomu, aký má proteín tvar a na ktorých miestach v tom trojrozmernom tvare je aká chemická funkcionalita, dokáže napríklad katalyzovať určité chemické reakcie.

Tvar proteínu je teda kľúčový pre jeho funkciu.

Áno. A minimálne polstoročie už vieme, že, zjednodušene povedané, tvar proteínu je nejakým spôsobom zakódovaný v postupnosti jednotlivých stavebných blokov, teda spomínaných aminokyselín.

Pokiaľ viem, aká je postupnosť aminokyselín, tak by som mal vedieť, aký výsledný tvar bude daný proteín mať.

Experimentálne vieme, že ak máme nejaký základný tvar a rozložíme ho, tak existujú spôsoby, ako ho dostať do pôvodného tvaru. Tá informácia sa nestratí, naozaj je uložená v danej sekvencii.

V 50. rokoch vykonal americký biochemik Christian Anfinsen známy experiment, keď zobral jeden enzým, ribonukleázu A, a šetrne ho rozkladal. Následne ho dokázal poskladať naspäť, keďže odstránil chemikáliu, ktorá enzým rozkladala. Ribonukleáza mala opäť svoju funkciu, dokázala katalyzovať.

Od tohto momentu je vedeckou komunitou prijímané, že tvar proteínu je určený postupnosťou aminokyselín.

Postupnosť aminokyselín jednotlivých proteínov poznáme?

Poznáme genetickú informáciu a z nej teda vieme prečítať postupnosť aminokyselín v proteíne. Až doteraz sme však nedokázali predpovedať ich 3D štruktúru. Museli sme ju prácne zisťovať pomocou veľmi náročných metód, ako sú napríklad röntgenová kryštalografia či istý typ magnetickej rezonancie.

Kým sme nepoznali 3D štruktúru bielkovín, tak pre vedeckú komunitu to predstavovalo veľký problém, lebo bolo ťažké s daným proteínom niečo robiť.

Umelá inteligencia v biológiiKeď nedokážeme molekuly vidieť, pomôže neurónová sieť

Martin Lukačišin

Predstavme si, že vedec chcel navrhnúť nejaký malý inhibítor, ktorý sa na proteín naviaže a znemožní mu jeho funkciu. Napríklad zistíme, že pri nejakom ochorení zohráva konkrétny proteín kľúčovú úlohu, a chceli by sme ho inhibovať. Keď nepoznáme konkrétnu štruktúru proteínu a nevieme, ktoré miesto na ňom je podstatné, tak nevieme, ako máme nejaké liečivo navrhnúť.

Ako dlho vedci čelili tomuto problému?

Bola to výzva, ktorá bola otvorená celé dekády, trápili sa s tým celé generácie vedcov. Vedelo sa, že štruktúry proteínov by sa mali dať predvídať, nebolo však jasné, akým spôsobom.

Ako sa vedci snažili tento problém vyriešiť?

Bolo tam viac prístupov, ktoré sa líšili napríklad tým, v akom rozlíšení pristupovali k aminokyselinám. Spravidla sa to robilo modelovaním. V počítači sa vytvorila reprezentácia aminokyselín a na základe rôznych rovníc sa počítalo, aká štruktúra by mala energetické minimum. Tieto pokusy niekedy vyšli, niekedy nie.

Iné pokusy skúmali lokálne interakcie a pomerne dobre sa vedeli poskladať čiastkové, lokálne tvary. Problém bol, keď sa mali poskladať do väčšej štruktúry.

Martin Lukačišin, výskumník v oblasti systémovej biológie v štúdiu Postoj TV. Foto: Postoj/Andrej Lojan

Potom boli metódy, kde sa využívala evolučná podobnosť niektorých proteínov. Mali sme proteín, ktorého tvar sme poznali z nejakého experimentu, a videli sme, že má veľmi podobnú postupnosť aminokyselín ako proteín, ktorého tvar sme nepoznali. Preto sme sa len snažili modifikovať podobu proteínu, ktorého štruktúru sme už poznali, a potom sa opäť počítalo energetické minimum.

Rozumiem, že existovalo viac prístupov a niektoré štruktúry proteínov sa za tie roky podarilo predpovedať.

Už od 90. rokov sa každé dva roky organizovala súťaž, ktorá sa volala Critical assessment of protein structure prediction (CASP), teda Kritické zhodnotenie metód na predpovedanie proteínových štruktúr.

Robilo sa to tak, že keď experimentátori približne mesiac pred uzávierkou súťaže zistili nejakú štruktúru proteínu, tak ju nepublikovali, ako sa to bežne robí, ale poslali ju organizátorom súťaže. Ukázali organizátorom reálnu, odmeranú štruktúru, tí zas dali aminokyselinovú sekvenciu daného proteínu vedcom, ktorí sa zaoberali výpočtom štruktúr proteínov, a tí potom súťažili, kto ju vypočíta v zhode s realitou.

Štatistiky ukazujú, že v priebehu času jednotlivé predikcie stagnovali, nezlepšovalo sa to. Až v roku 2018 AlphaFold 1 a v roku 2020 AlphaFold 2.

Čo je to AlphaFold?

Je to algoritmus, ktorý vyvinuli v Google DeepMind v Londýne. Majú tam veľkú výpočtovú silu, majú ľudí, ktorí rozumejú strojovému učeniu a umelým neurónovým sieťam. Keď hľadali problém, ktorý by ľudstvo potrebovalo vyriešiť a zároveň by bol vhodný pre strojové učenie, tak si okrem iných vybrali aj skladanie proteínov.

Slovenský vedec v IzraeliUtiekli sme pred hrozbou vojny, Izrael bude chcieť zásadnú zmenu (video + text)

Michal Magušin

V Google DeepMind napríklad vyvinuli aj algoritmus, ktorý vie hrať slávnu stolnú hru Go. Jedna skupina ľudí sa venovala aj skladaniu proteínov, keďže bolo jasné, že ten problém by mal mať riešenie.

Zároveň existovalo množstvo dát, ktoré za desiatky rokov experimentátori zhromaždili. Bolo tiež jasné, že existuje veľký potenciál zlepšiť súčasné metódy, a zároveň bolo jasné, že keď sa im to podarí, bude to mať závažné dôsledky pre základný a aj aplikovaný výskum.

Ako AlphaFold fungoval?

Najskôr zobrali všetky dáta, ktoré mali z experimentálne zistených štruktúr proteínov. Potom si povedali, že keď majú proteín, ktorý má podobnú sekvenciu ako ten, ktorý už existuje, tak použijú neurónovú sieť na to, aby im povedala, ako majú zmeniť 3D tvar, aby sme dostali proteín, ktorý ešte nepoznáme.

Bolo to neuveriteľne úspešné. V roku 2020 bol AlphaFold schopný predpovedať štruktúry proteínov až s vyše 90-percentnou úspešnosťou a vtedy sa tento desiatky rokov otvorený problém vyhlásil za vyriešený.

Martin Lukačišin vysvetľuje prínos predvídania 3D štruktúr proteínov pre ďalší vývoj ľudstva. Foto: Postoj/Andrej Lojan

Osobne som to vnímal veľmi emocionálne. Mal som spolužiakov, ktorí pri rozhodovaní o ďalšom štúdiu hovorili, že by chceli vyriešiť tento otvorený problém skladania proteínov. Vždy sme sa nad touto ambíciou pousmiali a popriali im všetko dobré. Vôbec nebolo jasné, že sa to podarí ešte v tejto dekáde.

Dnes teda už vieme predikovať tvar všetkých bielkovín?

Takmer všetkých, pretože máme veľkú databázu živých štruktúr, ktorým sme osekvenovali genómy, no existujú aj proteíny, pri ktorých je ťažšie experimentálne určiť ich štruktúry.

Tam, kde nemáme žiadne predošlé dáta, máme aj horšiu predpoveď, ako je to pri každom strojovom učení. Všetky štruktúry teda predpovedať nevieme, ale 98 percent z nich už áno.

Aký ďalší vývoj sa dá očakávať?

Teraz sa rozprávame o jednotlivých proteínoch, ale v živých organizmoch, v našom tele proteíny často interagujú, čiže vznikajú proteínové komplexy, rôzne gény, rôzne proteínové produkty vytvárajú krásne molekulové stroje. Toto tento algoritmus nevedel predpovedať, ale práve na tom pracujú.

V budúcnosti teda môžeme zistiť, ako sa na seba jednotlivé proteíny viažu, v akej orientácii. Už dnes máme z tohto úsilia veľmi dobré výsledky.

Výskum starnutiaKeď je mladá krv viac než len metafora

Martin Lukačišin

Algoritmus nevedel predpovedať ani viazanie malých molekúl, napríklad liečiv, a aj v tomto už nastal pokrok. Najťažší problém je však už vyriešený a nikto nepochybuje, že sa vyriešia aj ostatné.

Najväčší problém teda bol predpovedať 3D štruktúru proteínov z postupnosti aminokyselín. A vďaka posunu, o ktorom sme sa rozprávali, vieme identifikovať 3D štruktúru približne 198 miliónov z 200 miliónov proteínov. Aké dôsledky má objav väčšiny 3D štruktúr proteínov na Zemi?

Prvá vec je, že to veľmi urýchli výskum. Ľudia, ktorí skúmali netypické proteínové gény a nemali prostriedky či výskumné konzorcium na to, aby vedeli určiť štruktúru tých proteínov, si dnes jednoducho pozrú predpoveď danej štruktúry a ďalej si vo svojom výskume budú klásť nové vedecké otázky na základe 3D štruktúry. To predtým nebolo.

Ako som už povedal, štruktúra proteínov je úplne kľúčová pre ich funkciu, a preto to dramaticky pomáha vedcom, ktorí študujú povedzme zriedkavé vedecké otázky.

Vedec Martin Lukačišin. Foto: Postoj/Andrej Lojan

V širšom obraze som už spomínal, aké nové otázky tento objav otvoril. Jednou z ich sú molekulové komplexy alebo viazanie ligandov, čo spravidla bývajú liečivá.

Druhá polovica Nobelovej ceny za chémiu bola udelená Davidovi Bakerovi, ktorý sa už niekoľko desaťročí zaoberá skladaním proteínov a bol tvárou tohto vedeckého problému – i keď otvorene hovorím, že tento problém vyriešil DeepMind. David Baker sa však okrem toho zaoberal aj syntetizovaním proteínov, ktoré neexistujú.

Zaoberal sa vytváraním proteínov, ktoré v súčasnosti na Zemi neexistujú. Načo nám to je dobré?

V podstate by nám to umožnilo vytvárať chemické reakcie, ktoré dnes vytvárať nevieme. Paleta je široká, môže to byť také triviálne, že budeme mať prací prostriedok, ktorý funguje za studena, až po to, že by sme vedeli získavať hnojivá z atmosférického dusíka alebo by sme dokázali biologicky rozložiť látky, ktoré znečisťujú životné prostredie, lebo ich rozložiť nevieme.

Aplikácií je veľa. Prínos AlphaFoldu je v tom, že keď vieme z existujúcej štruktúry aminokyselín predpovedať 3D štruktúru, tak si možno vieme sekvenciu aminokyselín aj pozmeniť, skúsiť tam dať niečo, čo neexistuje, a pozrieť sa, ako sa to preskladá.

Očami navrátilcaSlovensko je krajinou v lokálnom optime

Martin Lukačišin

Avšak je tu aj inverzný problém, na ktorom sa pracuje. Vieme už zo sekvencie aminokyselín predikovať 3D tvar, ale ak chceme navrhnúť proteín, ktorý robí určitú chemickú reakciu, možno si vieme predstaviť, aký by mal mať tvar a kde by asi mal mať to katalytické miesto, ale preložiť to potom spätne do sekvencie aminokyselín ešte úplne nevieme.

Ak sme však dokázali vyriešiť ten priamy problém, tak je tu veľká nádej, že dokážeme vyriešiť aj ten inverzný problém.

V ďalšej časti rozhovoru Martin Lukačišin rozpráva o Nobelovej cene za fyziológiu alebo medicínu. Neskrátený rozhovor si môžete pozrieť alebo vypočuť.