Американские математики разработали вычислительный метод, позволяющий создавать белки с внутренней неупорядоченностью и заданными свойствами. До сих пор инструменты ИИ, даже такие как AlphaFold, не были способны их синтезировать. Новый подход использует инструменты глубокого обучения для оптимизации последовательностей белков с заданными свойствами

Традиционно считается, что каждый белок для выполнения своей функции должен быть свёрнутым в строго определённую трёхмерную структуру. Однако существуют белки (или отдельные участки в белках), которые не имеют такой упорядоченной структуры. Это обычно связано с наличием в их структуре большого количества гидрофильных аминокислот (серин, треонин, глутамин и пр.) и отсутствием гидрофобных аминокислот (валин, лейцин, изолейцин и пр.). Такие белки представляют собой набор постоянно меняющих свою форму конформаций.

И именно в такой гибкости заключается их функция. Например, они связываются с другими белками, а также молекулами ДНК, РНК и др.. Неупорядоченные белки часто вовлечены в патологические процессы, например, нейродегенеративные заболевания. При этом такие белки составляют почти 30% от всех белков.

Группа исследователей из Гарвардской школы инженерии и прикладныз наук им. Джона Полсона и Северо-Западного университета разработали метод машинного обучения, который способен моделировать неупорядоченные белки с заданными свойствами. Исследование опубликовано в журнале Nature Computational Science.

В их статье описан вычислительный метод (который сами исследователи в шутку назвали "алхимическими расчётами"), основанный на алгоритмах, способный выполнять "автоматическое дифференцирование" — автоматическое вычисление производных — для отбора белковых последовательностей с желаемым поведением или свойствами. Этот метод широко используется для глубокого обучения и тренировки нейронных сетей, но американские исследователи первыми распознали другие потенциальные варианты его применения, такие как оптимизации физического моделирования молекулярной динамики. В целом этот метод предоставляет унизиральную основу для проектирования взаимосвязей между последовательностью, ансамблем конформаций и функцией биологических макромолекул.