Google Merinci Perangkat Lunak pelipat Proteinnya, Akademisi menawarkan Alternatif

GOOGLE MERINCI PERANGKAT LUNAK PELIPAT PROTEINNYA, AKADEMISI MENAWARKAN ALTERNATIF


FORDIASI.COM | TEKNOLOGI - Berkat perkembangan teknologi pengurutan DNA, menjadi mudah untuk mendapatkan urutan basa yang mengkode protein dan menerjemahkannya ke urutan asam amino yang menyusun protein. Tapi dari situ, kita sering terjebak. Fungsi sebenarnya dari protein hanya secara tidak langsung ditentukan oleh urutannya. Sebaliknya, urutan menentukan bagaimana rantai asam amino terlipat dan tertekuk dalam ruang tiga dimensi, membentuk struktur tertentu. Struktur itu biasanya yang menentukan fungsi protein, tetapi untuk mendapatkannya bisa membutuhkan bertahun-tahun kerja di laboratorium.


Selama beberapa dekade, para peneliti telah mencoba mengembangkan perangkat lunak yang dapat mengambil urutan asam amino dan secara akurat memprediksi struktur yang akan terbentuk. Meskipun ini adalah masalah kimia dan termodinamika, kami hanya memiliki keberhasilan yang terbatas—sampai tahun lalu. Saat itulah grup DeepMind AI Google mengumumkan keberadaan AlphaFold, yang biasanya dapat memprediksi struktur dengan tingkat akurasi yang tinggi.

$ads={1}

Pada saat itu, DeepMind mengatakan akan memberi semua orang perincian tentang terobosannya dalam makalah peer-review di masa depan, yang akhirnya dirilis kemarin. Sementara itu, beberapa peneliti akademis bosan menunggu, mengambil beberapa wawasan DeepMind, dan membuatnya sendiri. Makalah yang menjelaskan upaya itu juga dirilis kemarin.


Kotoran di AlphaFold

DeepMind sudah menjelaskan struktur dasar AlphaFold, tetapi makalah baru ini memberikan lebih banyak detail. Struktur AlphaFold melibatkan dua algoritme berbeda yang berkomunikasi bolak-balik mengenai analisisnya, memungkinkan masing-masing untuk memperbaiki keluarannya.


Salah satu algoritme ini mencari urutan protein yang merupakan kerabat evolusioner dari yang dipermasalahkan, dan mencari tahu bagaimana urutannya sejajar, menyesuaikan untuk perubahan kecil atau bahkan penyisipan dan penghapusan. Bahkan jika kita tidak mengetahui struktur kerabat ini, mereka masih dapat memberikan batasan penting, memberi tahu kita hal-hal seperti apakah bagian-bagian tertentu dari protein selalu bermuatan.


Tim AlphaFold mengatakan bahwa bagian ini membutuhkan sekitar 30 protein terkait agar berfungsi secara efektif. Biasanya muncul dengan perataan dasar dengan cepat, lalu menyempurnakannya. Penyempurnaan semacam ini dapat melibatkan pergeseran celah untuk menempatkan asam amino utama di tempat yang tepat.


Algoritma kedua, yang berjalan secara paralel, membagi urutan menjadi potongan-potongan yang lebih kecil dan mencoba untuk memecahkan struktur masing-masing sambil memastikan struktur setiap potongan kompatibel dengan struktur yang lebih besar. Inilah sebabnya mengapa menyelaraskan protein dan kerabatnya sangat penting; jika asam amino kunci berakhir di bagian yang salah, maka mendapatkan struktur yang benar akan menjadi tantangan nyata. Jadi, kedua algoritma berkomunikasi, memungkinkan struktur yang diusulkan untuk memberi umpan balik ke penyelarasan.

$ads={2}

Prediksi struktural adalah proses yang lebih sulit, dan ide asli algoritme sering mengalami perubahan yang lebih signifikan sebelum algoritme menyelesaikan penyempurnaan struktur akhir.


Mungkin detail baru yang paling menarik dalam makalah ini adalah di mana DeepMind melewati dan menonaktifkan bagian yang berbeda dari algoritma analisis. Ini menunjukkan bahwa, dari sembilan fungsi berbeda yang mereka definisikan, semuanya tampaknya berkontribusi setidaknya sedikit pada akurasi akhir, dan hanya satu yang memiliki efek dramatis padanya. Yang satu itu melibatkan pengidentifikasian poin-poin dalam struktur yang diusulkan yang mungkin membutuhkan perubahan dan menandainya untuk perhatian lebih lanjut.


Sebuah kompetisi

Dalam pengumuman yang dijadwalkan untuk rilis makalah, CEO DeepMind Demis Hassabis mengatakan, "Kami berjanji untuk membagikan metode kami dan menyediakan akses yang luas dan gratis ke komunitas ilmiah. Hari ini, kami mengambil langkah pertama untuk mewujudkan komitmen itu dengan membagikan keterbukaan AlphaFold kode sumber dan menerbitkan metodologi lengkap sistem."


Tetapi Google telah menjelaskan struktur dasar sistem, yang menyebabkan beberapa peneliti di dunia akademis merenungkan apakah mereka dapat menyesuaikan alat yang ada dengan sistem yang lebih terstruktur seperti milik DeepMind. Dan, dengan jeda tujuh bulan, para peneliti punya banyak waktu untuk menindaklanjuti gagasan itu.


Para peneliti menggunakan deskripsi awal DeepMind untuk mengidentifikasi lima fitur AlphaFold yang mereka rasa berbeda dari kebanyakan metode yang ada. Jadi, mereka mencoba menerapkan kombinasi yang berbeda dari fitur-fitur ini dan mencari tahu mana yang menghasilkan peningkatan dari metode saat ini.


Hal paling sederhana untuk mulai bekerja adalah memiliki dua algoritma paralel: satu didedikasikan untuk menyelaraskan urutan, yang lain melakukan prediksi struktural. Tetapi tim akhirnya membagi bagian struktural menjadi dua fungsi yang berbeda. Salah satu fungsi tersebut hanya memperkirakan jarak dua dimensi antara bagian individu protein, dan yang lainnya menangani lokasi sebenarnya dalam ruang tiga dimensi. Ketiganya saling bertukar informasi, dengan masing-masing memberikan petunjuk kepada yang lain tentang aspek apa dari tugasnya yang mungkin perlu disempurnakan lebih lanjut.


Masalah dengan menambahkan saluran ketiga adalah bahwa hal itu secara signifikan meningkatkan persyaratan perangkat keras, dan akademisi pada umumnya tidak memiliki akses ke jenis aset komputasi yang sama seperti yang dilakukan DeepMind. Jadi, sementara sistem, yang disebut RoseTTAFold, tidak berkinerja sebaik AlphaFold dalam hal akurasi prediksinya, itu lebih baik daripada sistem sebelumnya yang dapat diuji oleh tim. Namun, mengingat perangkat keras yang menjalankannya, itu juga relatif cepat, memakan waktu sekitar 10 menit saat dijalankan pada protein yang panjangnya 400 asam amino.


Seperti AlphaFold, RoseTTAFold membagi protein menjadi potongan-potongan yang lebih kecil dan memecahkannya satu per satu sebelum mencoba menyatukannya menjadi struktur yang lengkap. Dalam hal ini, tim peneliti menyadari bahwa ini mungkin memiliki aplikasi tambahan. Banyak protein membentuk interaksi ekstensif dengan protein lain agar dapat berfungsi—hemoglobin, misalnya, ada sebagai kompleks empat protein. Jika sistem bekerja sebagaimana mestinya, memberinya makan dua protein yang berbeda harus memungkinkan untuk mengetahui kedua struktur mereka dan di mana mereka berinteraksi satu sama lain. Pengujian ini menunjukkan bahwa itu benar-benar berfungsi.


Persaingan sehat Healthy

Kedua makalah ini tampaknya menggambarkan perkembangan positif. Untuk memulainya, tim DeepMind layak mendapatkan pujian penuh atas wawasan yang dimilikinya dalam menyusun sistemnya sejak awal. Jelas, mengatur segala sesuatunya sebagai proses paralel yang berkomunikasi satu sama lain telah menghasilkan lompatan besar dalam kemampuan kita untuk memperkirakan struktur protein. Tim akademik, daripada hanya mencoba mereproduksi apa yang dilakukan DeepMind, hanya mengadopsi beberapa wawasan utama dan membawanya ke arah yang baru.


Saat ini, kedua sistem jelas memiliki perbedaan kinerja, baik dalam hal keakuratan hasil akhir mereka maupun dalam hal waktu dan sumber daya komputasi yang perlu didedikasikan untuk itu. Tetapi dengan kedua tim tampaknya berkomitmen untuk keterbukaan, ada kemungkinan besar bahwa fitur terbaik dari masing-masing dapat diadopsi oleh yang lain.


Apa pun hasilnya, kami jelas berada di tempat baru dibandingkan dengan tempat kami beberapa tahun yang lalu. Orang-orang telah mencoba memecahkan prediksi struktur protein selama beberapa dekade, dan ketidakmampuan kita untuk melakukannya menjadi lebih bermasalah pada saat genom memberi kita sejumlah besar urutan protein yang kita tidak tahu bagaimana menafsirkannya. Tuntutan waktu pada sistem ini kemungkinan besar akan sangat besar, karena sebagian besar komunitas riset biomedis memperoleh manfaat dari perangkat lunak.


Science, 2021. DOI: 10.1126/science.abj8754

Nature, 2021. DOI: 10.1038/s41586-021-03819-2  (About DOIs).


(arstechnica/fordiasi.com)


Demikian artikel " Google Merinci Perangkat Lunak pelipat Proteinnya, Akademisi menawarkan Alternatif "


Semoga bermanfaat


- Fordiasi, Forum Media Informasi -

Post a Comment

Lebih baru Lebih lama