华盛顿大学医学院的科学家们利用人工智能设计了新的蛋白质分子，为疾病的检测和治疗开辟了令人兴奋的可能性。
一种药物治疗疾病的有效性在很大程度上取决于它对致病靶点的特异性，以及它对靶点的附着强度。
几乎无限数量的潜在蛋白质形状使得设计具有高亲和力（结合强度）和高特异性的蛋白质成为一项极其困难的任务。
寻找与胰高血糖素、神经肽Y和甲状旁腺激素等螺旋肽靶点强烈结合的蛋白质是研究人员希望人工智能能够帮助的挑战性任务。他们发表在《自然》杂志上的论文显示了人工智能革命药物开发的潜力。
研究人员首先使用了AlphaFold2和RosettaFold的深度学习幻觉方法。这些先进的人工智能程序在设计新的蛋白质方面有很大的帮助，但它们使用了大量的计算能力。
为了寻找一种计算效率更高的蛋白质设计方法，研究人员转向了一种类似于支持稳定扩散和DALL—E等人工智能图像生成器模型的方法。
今天的论文@ Nature描述了@ UWProtein design AI生成的蛋白质，具有极高的结合亲和力和特异性。这种生物技术对药物开发、疾病检测和环境监测具有重要意义。https://t.co/KhtGhiyf6I
– UW Medicine Newsroom（@ uwmmnewsroom）2023年12月18日
射频扩散
RFdiffusion是一个开创性的生成AI模型，它基于已知蛋白质结构的数据进行训练。然后，该模型迭代地细化和重新排列原子到定义的蛋白质结构中。
对RFDifferity进行了训练，以迭代地从不相连的原子云中去除噪声，然后将它们重新排列成新的蛋白质结构。该模型与由华盛顿大学蛋白质设计研究所贝克实验室设计的ProteinMPNN软件工具结合使用。
ProteinMPNN将蛋白质结构作为输入，并使用深度学习技术快速识别可能折叠成特定蛋白质结构的新氨基酸序列。
令人兴奋的结果
研究人员设计的蛋白质对它们所靶向的肽显示出极高的亲和力和特异性。这意味着它们可能被用于制造针对疾病原因的药物，而不是与非预期目标结合并可能引起副作用。
蛋白质合成并不新鲜，但这种新方法提供的蛋白质在计算机设计的生物分子与其目标之间实现了有史以来报道的最高相互作用强度。
华盛顿大学医学院生物化学教授、霍华德·休斯医学研究所研究员大卫·贝克是这篇研究论文的主要作者。
贝克解释了这一结果的意义，他说：“产生具有如此高结合亲和力和特异性的新蛋白质的能力打开了从新的疾病治疗到高级诊断的可能性的世界。”
目前有许多疾病是使用抗体治疗的。然而，抗体的生产成本很高，而且没有很长的保质期。
首席研究员Preetham Venkatesh说：“今天有许多疾病很难治疗，因为检测体内的某些分子非常具有挑战性。作为诊断工具，设计的蛋白质可能会提供一种更具成本效益的抗体替代品。
研究人员与哥本哈根大学的约瑟夫·罗杰斯实验室和华盛顿大学医学院的安德鲁·胡夫纳格尔实验室合作进行了实验室测试，从而验证了他们的生物设计方法。
这项研究是人工智能如何加快疾病新疗法开发的一个很好的例子。这篇论文还有待同行评审，但初步结果非常令人兴奋。
