Tekoäly selvitti proteiinin kolmiulotteisen muodon
AlphaFold-tekoälyn saavutus on tieteellinen läpimurto.
– Tämä on valtava edistysaskel, sanoo akatemiaprofessori Anu Wartiovaara.
Lähdetään perusasioista liikkeelle: Proteiinit määrittävät solun toimintaa. Proteiinit koostuvat aminohapoista, jotka yhdistyvät ketjuiksi ja laskostuvat kullekin proteiinille ominaiseen kolmiulotteiseen muotoon.
Mahdollisia erilaisia laskostumisen tapoja on valtava määrä, miljardeja, minkä vuoksi niitä ei ole kyetty määrittämään laskennallisesti. Proteiinirakenteita on tähän asti selvitetty laboratorioissa kokeellisesti.
Proteiineja on ensin eristetty, sitten kiteytetty, ja muoto on päätelty sen perusteella, miten röntgensäde siroaa kiteestä. Uudempi menetelmä on kryoelektronimikroskopia, jossa proteiinia eristetään, ja muoto selvitetään pommittamalla jäädytettyä näytettä elektroneilla. Jälkimmäinen menetelmä on erittäin tarkka. Siinä voidaan parhaimmillaan nähdä rakenne atomien tasolla.
Nämä menetelmät ovat kalliita ja vievät paljon, jopa vuosikymmeniä, aikaa.
Vuosista minuutteihin
Googlen DeepMind-tutkimusyhtiön kehittämä AlphaFold-tekoäly on nyt oppinut ennustamaan proteiinin kolmiulotteisen muodon täsmällisesti aminohappoketjun perusteella.
Sen tarkkuus ylitti odotukset, ja aikaa siltä menee vähimmillään minuutteja.
Mikä merkitys proteiinin kolmiulotteisen rakenteen tuntemisella sitten on?
Proteiinin muoto määrittää sen tehtävän ja sen, millaisia sidoksia proteiini voi muodostaa muiden molekyylien kanssa.
– Tähän saakka olemme kyenneet tutkimaan yhtä proteiinia kerralla, ja kokeellinen tie on mahdollistanut vain osan proteiineista tutkimuksen. Nyt käsille tarjoutuvat mahdollisesti kaikki meidän ja muiden elollisten otusten geenien tuottamat proteiinit eri elämänmuodoissa sekä niiden erilaiset variantit. Lääketieteelle mahdollistuu edistys harppauksittain.
Genomitietoa voidaan käyttää hyväksi uudella tavalla.
Tutkijat voivat selvittää, miten jokin tietty geenimutaatio vaikuttaa sen tuottaman proteiinin kolmiulotteiseen muotoon. Tiedon avulla selviää paljon aiempaa tarkemmin, millaisia vaikutuksia mutaatiolla on.
– Esimerkiksi rintasyöpään liitetyssä BRCA2-geenissä on paljon variaatioita. Tiedämme, että vain osa niistä aiheuttaa syöpää. Tekoälyn avulla päästään selvittämään tarkemmin, miten aiemmin tuntematon muutos vaikuttaa BRCA2-proteiiniin – onko se haitallinen vai haitaton.
Kolmiulotteisesta rakenteesta voidaan myös nähdä, miten proteiini on mutaation seurauksena muuttunut - ja miten se mahdollisesti voitaisiin korjata.
Tutkijoiden käyttöön toivottavasti jo pian
Lääkekehityksessä proteiinin kolmiulotteisen muodon tunteminen tarkoittaa esimerkiksi, että voidaan kehittää täsmälääkkeitä, joiden tiedetään sopivan täsmälleen kohdeproteiinin kolmiulotteiseen muotoon. Apua on luvassa rokotekehitykseenkin.
– AlphaFoldin avulla on jo mallinnettu SARS-CoV-2 -viruksen pintaproteiineja. Myöhempi proteiinien tutkimus laboratoriossa osoitti mallinnuksen onnistuneen erinomaisesti. Tämä nopeuttaa valtavasti esimerkiksi rokote- ja lääketutkimusta.
Sovelluksia on paljon muuallakin kuin lääketieteessä, kaikilla tieteenaloilla. Kasvitiede on yksi esimerkki, toinen on biotekniikka. Proteiinin kolmiulotteisen muodon selvittäminen auttaa kehittämään muun muassa parempia ja helposti hajoavia pesuaineita.
Tekoälyn saavutus on Wartiovaaran mukaan uskomattoman hieno.
– Proteiinin kolmiulotteisen muodon mallintamista on yritetty 50 vuoden ajan. Harva kuitenkaan uskoi, että tekoäly onnistuisi siinä näin pian.
Wartiovaara toivoo, että AlphaFold saataisiin tutkimuskäyttöön, ehkä jo parin vuoden kuluessa.
