Źródło: unsplash.com/photos/tiTzBRnr7PY
Narzędzia wykorzystujące sztuczną inteligencję próbują wejść na kolejny poziom projektowania białek. Zamiast wymagać od użytkownika dokładnego opisania położenia konkretnych aminokwasów w przestrzeni, mogą przyjąć polecenie sformułowane językiem naturalnym. Użytkownik opisuje więc funkcję, jaką powinno spełniać białko, a system przygotowuje kandydacką sekwencję aminokwasów. Takie podejście przypomina ideę tak zwanego vibe codingu, w której człowiek opisuje oczekiwany rezultat, a narzędzie generuje techniczną realizację. W biologii różnica jest jednak zasadnicza: wygenerowany projekt trzeba jeszcze ocenić, zsyntetyzować i sprawdzić w laboratorium.
Jednym z opisanych systemów jest Pinal, opracowany przez dużą grupę badaczy pracujących w Chinach. Jego celem jest przełożenie opisu funkcji białka na projekt, który może tę funkcję realizować. To ważna zmiana względem typowego sposobu pracy z narzędziami do projektowania białek. Obecne systemy potrafią dobrze analizować trójwymiarowe ułożenie aminokwasów, ale zazwyczaj nie rozumieją funkcji tak swobodnie, jak rozumie ją biolog rozmawiający z innym biologiem. Specjalista może użyć krótkiego określenia, takiego jak proteaza serynowa, i przekazać w ten sposób wiele informacji o mechanizmie reakcji. Program często potrzebuje natomiast szczegółowego opisu położenia elementów aktywnych.
Pinal nadal korzysta z dwuetapowego schematu, który jest znany z bardziej klasycznych narzędzi. Najpierw trzeba przygotować szkielet białka
Słownik artykułu
Krótkie objaśnienia terminów występujących w tekście. Każde hasło prowadzi do szerszej definicji i przykładów użycia.
Podstawowy układ przestrzenny projektowanego białka, który opisuje rozmieszczenie jego elementów przed przypisaniem konkretnej sekwencji aminokwasów.
Model, którego wytrenowane wagi są udostępnione użytkownikom, dzięki czemu można uruchamiać go lokalnie na zgodnym sprzęcie.
Błąd, w którym model AI przedstawia nieprawdziwą lub niepoprawną informację jako wiarygodną.
Takie rozwiązanie ma znaczenie, ponieważ projektowanie białka nie polega na prostym znalezieniu jednego kształtu pasującego do polecenia. Wiele układów aminokwasów może wyglądać podobnie, lecz tylko część z nich będzie stabilna i zachowa oczekiwaną aktywność. Pinal najpierw wykorzystuje językowy opis do stworzenia możliwych relacji przestrzennych, a następnie szuka sekwencji zgodnej z tymi relacjami. Informacja o prawdopodobieństwach pozwala systemowi rozważać więcej niż jeden wariant. Według opisu autorów ma to ograniczać ryzyko, że algorytm zbyt wcześnie przywiąże się do rozwiązania, które jest prawdopodobne strukturalnie, ale słabe pod względem funkcji.
Do wytrenowania takiego systemu wykorzystano duże zbiory danych biologicznych. Badacze zebrali sekwencje białek z trzech baz i połączyli je z informacjami o strukturach przewidywanych przez AlphaFold. Same techniczne etykiety funkcji zostały dodatkowo przekazane modelowi językowemu, który przygotował ich opisy w prostszym języku. W treningu wykorzystywano później zarówno oryginalne etykiety, jak i wygenerowane opisy. Jedna z baz zawierała 800 milionów par słów kluczowych i białek. Taki sposób przygotowania danych miał nauczyć model związku między językiem opisującym funkcję a sekwencją i strukturą, która może tę funkcję umożliwiać.
To podejście ma też wyraźne ograniczenia. Część informacji o strukturze pochodzi z predykcji AlphaFold, a takie przewidywania nie są stuprocentowo dokładne. Problem może być większy w przypadku rzadkich lub słabo poznanych białek, dla których brakuje dobrych danych porównawczych. W przypadku wielu popularnych białek dostępne są rzeczywiste dane strukturalne, co może poprawiać jakość informacji używanych w treningu. Nie zmienia to jednak faktu, że końcowy wynik Pinal pozostaje hipotezą projektową, a nie gotowym, potwierdzonym biologicznie rozwiązaniem.
Badacze sprawdzili Pinal na czterech bardzo różnych zadaniach. System miał zaprojektować białko fluorescencyjne, dwa enzymy oraz białko uczestniczące w dużym kompleksie złożonym z wielu protein. Procedura była podobna w każdym przypadku: najpierw generowano dużą liczbę kandydatów, potem zawężano listę za pomocą kryteriów obliczeniowych, a na końcu wybrane konstrukcje przygotowywano i testowano. Nie wszystkie etapy były opisane z taką samą szczegółowością, dlatego najłatwiej prześledzić przykład białka fluorescencyjnego.
Za punkt odniesienia posłużyło GFP, czyli zielone białko fluorescencyjne, którego odkrycie przyniosło jego odkrywcy Nagrodę Nobla. Pinal otrzymał zadanie wygenerowania 50 tysięcy białek, które mogłyby wykazywać fluorescencję podobną do GFP. Następnie odrzucono sekwencje zbyt przypominające znane białka fluorescencyjne. Zostawiono natomiast kandydatów spełniających wybrane kryteria strukturalne i chemiczne, między innymi takich, którzy mogli utworzyć strukturę przypominającą beczkę oraz zawierali ważny aminokwas zdolny do modyfikacji chemicznej związanej z fluorescencją. Po tej selekcji pozostało 29 kandydatów. Wszystkie przygotowano w bakteriach Escherichia coli, ale fluorescencję wykazał tylko jeden.
Na pierwszy rzut oka skuteczność jednego działającego projektu na 29 przetestowanych kandydatów wygląda słabo. Taki wynik trzeba jednak odczytywać w kontekście przyjętej procedury. Badacze celowo odrzucali sekwencje podobne do znanych białek fluorescencyjnych, ponieważ chcieli uzyskać rozwiązania bardziej odmienne od GFP. Jednocześnie wybór kandydatów oparto na założeniach dotyczących struktury beczkowej i konkretnego aminokwasu. Oznacza to, że z dalszych testów wykluczono część potencjalnie interesujących wariantów, które mogłyby działać według innego mechanizmu. Niski odsetek sukcesów nie dowodzi więc, że system nie potrafi projektować białek, ale pokazuje, jak duża jest różnica między wygenerowaniem plausybilnej sekwencji a uzyskaniem działającej cząsteczki.
Osobno przedstawiono narzędzie skoncentrowane nie na projektowaniu białek, lecz na sekwencjach DNA. Carbon X powstał we współpracy Hugging Face, Zhongguancun Academy oraz Uniwersytetu Neapolitańskiego imienia Fryderyka II. Jest to model z otwartymi wagami, który może być uruchamiany na lokalnym sprzęcie. Jego podstawą jest model językowy Qwen3-14B, ponownie trenowany na danych DNA, a następnie dostrajany z użyciem uczenia ze wzmocnieniem i nadzorowanego dostrajania. Celem było zachowanie znajomości języka angielskiego przy jednoczesnym nauczeniu systemu pracy z sekwencjami genetycznymi.
Twórcy Carbon X opisują trening jako delikatne równoważenie dwóch zdolności. Zbyt małe tempo uczenia pozwala zachować angielski, ale nie wystarcza do sensownego rozumienia DNA. Zbyt duże tempo pomaga modelowi uczyć się sekwencji genetycznych, lecz może prowadzić do utraty wcześniejszej znajomości języka. Ostatecznie powstał system, który ma analizować oba rodzaje danych i tłumaczyć między nimi. Podobnie jak w przypadku dużych modeli genomowych, można podać mu fragment DNA i poprosić o przewidzenie sekwencji, która mogłaby wystąpić dalej. Możliwe jest także połączenie sekwencji z pytaniem w języku naturalnym, na przykład o potencjalne konsekwencje zastąpienia jednej zasady inną.
Pinal i Carbon X upraszczają dostęp do części zadań, które wcześniej wymagały znajomości wielu specjalistycznych narzędzi. Biolog może łatwiej opisać problem zdaniem w rodzaju: znajdź wszystkie wzmacniacze kontrolujące ekspresję tego genu. Nie musi od razu wiedzieć, które programy połączyć, jak skonfigurować ich parametry ani jak przenieść wynik z jednego formatu do drugiego. To może ograniczyć barierę między pytaniem biologicznym a analizą komputerową. Nie oznacza jednak, że model samodzielnie rozwiązuje cały problem badawczy.
W przypadku Pinal wygenerowana sekwencja musi przejść przez kolejne etapy selekcji i eksperymentu. Sam fakt, że pasuje do opisu lub przewidywanej struktury, nie gwarantuje prawidłowego fałdowania, stabilności ani aktywności. Test GFP dobrze pokazuje skalę tego wyzwania: z 29 wybranych i przygotowanych konstrukcji zadziałała jedna. W przypadku Carbon X również konieczna jest ostrożność, ponieważ model może pomylić pozycje w długiej sekwencji albo przedstawić niepewny wniosek jako wiarygodną odpowiedź. Narzędzie może przyspieszyć tworzenie hipotez, ale ich sprawdzenie nadal wymaga odpowiednich metod, sprzętu i wyspecjalizowanych osób.
Lokalne uruchamianie Carbon X ma dwa praktyczne znaczenia wskazane przez jego twórców. Po pierwsze, ogranicza koszt wielokrotnego korzystania z modelu, ponieważ demonstrację przeprowadzono na komputerze MacBook. Po drugie, pozwala nie przekazywać zapytań komercyjnej firmie, co może mieć znaczenie przy pracy nad poufnymi projektami lub danymi. Nie zmienia to wymagań dotyczących interpretacji wyników. Lokalne działanie poprawia kontrolę nad danymi i dostępnością narzędzia, ale nie usuwa błędów wynikających z jakości treningu, niepełnych informacji ani nieprecyzyjnego polecenia.
Najważniejsza zmiana polega więc nie na usunięciu biologów z procesu, lecz na przesunięciu punktu wejścia. Wcześniej użytkownik musiał znać język narzędzi obliczeniowych i szczegółowo opisywać strukturę, aby rozpocząć projektowanie. Teraz może zacząć od funkcji zapisanej zwykłym językiem, a system spróbuje przełożyć ją na strukturę lub sekwencję. Jeżeli takie narzędzia będą nadal poprawiać selekcję kandydatów i jakość odpowiedzi, mogą ułatwić biologom zadawanie pytań komputerom. Na ocenę ich praktycznej wartości potrzeba jednak dalszych testów, zwłaszcza porównujących projekty generowane przez AI z rozwiązaniami uzyskiwanymi tradycyjnymi metodami.
Brak komentarzy. Bądź pierwszy!