国内顶尖网站设计公司,网站意识形态建设,什么是网络营销与概念,带表情的wordpress留言来源#xff1a;ScienceAI编辑#xff1a;绿萝利用 DeepMind 先进的蛋白质知识#xff0c;清华大学的科学家们设计出能够抵抗 COVID-19 免疫逃逸的突变单克隆抗体。2020 年底#xff0c;AlphaFold 2 的问世震惊了结构生物学界#xff0c;AlphaFold 2 是谷歌人工智能部门 D… 来源ScienceAI编辑绿萝利用 DeepMind 先进的蛋白质知识清华大学的科学家们设计出能够抵抗 COVID-19 免疫逃逸的突变单克隆抗体。2020 年底AlphaFold 2 的问世震惊了结构生物学界AlphaFold 2 是谷歌人工智能部门 DeepMind 开发的深度学习神经网络的第二个版本。AlphaFold 解决了数十年来蛋白质如何折叠的问题这是控制蛋白质功能的关键因素。最近的研究表明AlphaFold 开创的方法正在传播到更广泛的生物学界。在本月 PNAS 杂志上的一篇论文「Deep learning guided optimization of human antibody against SARS-CoV-2 variants with broad neutralization」中科学家描述了修改一种已知的针对 COVID-19 的抗体以提高其针对多种疾病变体的功效。论文链接https://www.pnas.org/doi/10.1073/pnas.2122954119科学家们写道「我们从一种对 Delta 变体无效的抗体开始使抗体的广度和对 SARS-CoV-2 变体包括 Delta的效力提高了 10 到 600 倍。」 他们甚至发现了该方法可以对抗 Omicron 变体的有希望的迹象。该研究是由清华大学和麻省理工学院的研究人员进行的利用深度学习有两个非常重要的原因。一个是扩展所谓的搜索空间即修改抗体的一组潜在解决方案。现有的方法例如随机诱变虽然很有价值但「费时费力」。因此使用深度学习是一种自动化方法从而加快工作速度。其次诸如随机诱变之类的方法可以在带来好处的同时带走抗体的好的部分。结果可能不是最理想的。通过使用深度学习方法作者希望在扩展功效的同时保留已完成的工作。他们不仅寻求改进而且寻求优化。图嵌入注意程序用于查找对预测结合亲和力具有重要意义的残基对。他们的方法采用了 AlphaFold 2 的基本技术图网络Graph network和称为「注意」的变量处理。图网络是指可以根据相关性评估某些事物集合的情况例如社交网络中的人。AlphaFold 2 使用有关蛋白质的信息来构建不同氨基酸彼此之间的接近程度的图表。然后通过注意力机制处理这些图以计算每个氨基酸与另一个氨基酸的相关程度。论文一作 Sisi Shan 和他的同事们采用了同样的方法他们将其应用于病毒的氨基酸、抗原以及抗体的氨基酸。他们将所谓的野生型与两者的突变形式进行比较以确定抗体与抗原的结合如何随着野生型和突变型之间的氨基酸对的变化而变化。为了训练深度神经网络来做到这一点他们设定了一个目标在机器学习中称为目标函数即神经网络试图复制的目标。在这种情况下目标函数是自由能变化即蛋白质从野生型到突变型的能量变化用希腊字母 delta-delta 和 G 或 ΔΔG 表示。给定一个目标自由能神经网络发展到可以可靠地预测哪些氨基酸对变化将最接近目标自由能变化的程度。正如 Shan 及其同事描述他们的方法时为了估计突变的影响我们首先通过在突变位点周围重新包装侧链来预测突变蛋白质复合物的结构并使用网络对野生型 (WT) 和突变复合物进行编码以获得 WT 和突变嵌入。然后额外的神经网络层比较两个嵌入以预测由 ΔΔG 测量的突变的影响。虽然 Shan 和团队参考了 AlphaFold 2并且他们采用了 AlphaFold 2 的方法但他们没有使用 DeepMind 的代码。MIT 的合著者 Bonnie Berger 在电子邮件交流中告诉媒体这项被称为 ΔΔG 预测器的新工作完全是从零开始编写的。因为 ΔΔG Predictor 和 AlphaFold 2 都是开源的所以您可以自己检查它们并查看代码的比较情况。ΔΔG Predictor 代码可以在其 GitHub 页面上看到AlphaFold 2 可以在其页面上看到。在训练神经网络以预测显著的抗体和抗原突变后作者根据抗体在哪里成功的证据进行了逆向研究例如 COVID-19 的 Alpha、Beta 和 Gamma 版本。他们使用这些数据来预测哪些突变抗体会延长药效。正如作者所说我们的方法生成了一个抗体 CDR 的计算机突变库通过经过训练的几何中性网络进行排序这样它们不仅应该提高抗体与 Delta RBD 的结合而且还保持与其他相关变体VOC的 RBD 的结合。CDR 或互补决定区是与抗原结合的部分或抗体。RBD即受体结合域是病毒的主要目标。研究人员获得了双重、三重甚至四重突变的抗体。在实验室中对它们进行针对合成病毒的测试他们发现降低抗原浓度作为突变化合物的强度越来越大。他们得出结论突变抗体和病毒之间的「结合」更好。「具有三个或四个突变的抗体 HX001-020、HX001-024、HX001-033 和 HX001-034 也比只有两个突变的 HX001-013 强」他们写道。「结合亲和力的增加可能有助于这些抗体对 SARS-CoV-2 WT 和变体的中和活性增加。」令人兴奋的发现之一是突变抗体可能足以避免病毒中的问题突变从而更有效。在结构分析中他们发现原始抗体的一部分与抗原的特定部分发生摩擦两者相互排斥。「由于 [抗体颗粒] R103 和 [抗原颗粒] R346 都具有非常长的侧链并带有正电荷因此两者之间的接近可能会引入强烈的排斥力这可能会大大降低抗体与抗原之间的结合亲和力」他们观察到。科学家们替代了正常的抗体颗粒「我们不再观察到与 Delta RBD [受体结合域] 上的 R346 的直接相互作用。这个因素可能解释了对 Delta 变体的中和作用大大改善的原因。」由于作者研究的抗体是去年由 Shan 及其同事引入的抗体这项研究变得更加有趣。这种名为「P36-5D2」的抗体是通过从感染 COVID-19 的康复患者的血清中分离得到的。Shan和团队通过动物模型研究确定它是一种「广泛、有效和保护性的抗体」。因此这项新工作标志着人工智能的一个里程碑通过用新的计算机驱动方法改进传统的生物产品将传统的湿实验室方法扩展到传染病治疗中。参考内容https://www.zdnet.com/article/mit-and-tsinghua-scholars-use-deepminds-alphafold-approach-to-boost-covid-19-antibodies/未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市大脑研究计划构建互联网城市大脑技术和企业图谱为提升企业行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
