Prediksi pelipatan protein dan kecerdasan buatan (deep learning)

Protein adalah efektor utama sel. Berkat mereka, metabolisme terjadi untuk membentuk dan memecah molekul dan mendapatkan energi. Mereka adalah struktur yang sangat kompleks dan unik, masing-masing memiliki urutan asam amino unik yang memungkinkan fungsi enzim. Kami menyebut urutan asam amino sebagai struktur utama protein. Namun, protein bukanlah rantai asam amino, melainkan mereka melipat diri untuk membentuk struktur tiga dimensi. The hubungan antara asam amino dan biaya listrik mereka akan apa yang memungkinkan protein untuk melipat. Konformasi spasial yang mereka ambil disebut struktur sekunder . Baca juga tentang struktur tersier dan kuartener .

Untuk waktu yang lama, sains telah mencoba mengamati struktur 3D ini untuk mendapatkan gambaran tentang cara kerja protein, dengan siapa mereka dapat berinteraksi, atau di mana mereka berada. Permukaan protein memiliki peran yang berbeda dari urutan asam amino yang ditemukan di kantong atau di dalam molekul. Jadi mengetahui asam amino mana yang ada di satu wilayah dan mana di wilayah lain tampaknya menarik jika tidak penting untuk mengetahui bagaimana mereka bertindak dan bagaimana kita dapat bertindak atas mereka.

Salah satu masalah dengan penelitian tentang bentuk protein adalah bahwa mereka sensitif terhadap perubahan di lingkungan mereka, yang secara alami memungkinkan mereka untuk berfungsi dan bereaksi ketika kondisi membutuhkan. Untuk mengekstrak dan memurnikan protein agar dapat mengamati strukturnya, apa yang ingin mereka lihat sedang diubah. The kristalisasi protein didenaturasi adalah ilmu yang rumit yang memerlukan banyak trial and error. Banyak protein yang telah dijelaskan membutuhkan penelitian bertahun-tahun.

Dengan diperkenalkannya teknik komputer, beberapa perangkat lunak telah diimplementasikan yang mampu membuat prediksi tentang pelipatan protein berdasarkan rantai asam amino dan perilaku yang diketahui dari urutan serupa dalam database mereka. Hingga beberapa waktu lalu, tahun 2020, daya tampung program-program tersebut masih terbatas. Pelipatan protein tidak hanya membutuhkan asam amino terdekat tetapi terkadang interaksi ratusan asam amino tersebut. Dalam hal ini seperti memprediksi cuaca seratus hari mungkin setahun sebelumnya.

Program AlphaFold kecerdasan buatan dan pembelajaran mendalam dari DeepMind, anak perusahaan Google, sekali lagi memecahkan semua rekor untuk prediksi, mencetak 87 dari 100 dalam kompetisi terbaru untuk program semacam itu dalam pelipatan protein. Program ini menggunakan database publik yang telah dibuat sejak tahun 1960-an ketika subjek mulai dipelajari. Saat ini lebih dari 170.000 protein memiliki bentuk tiga dimensi dalam database. Struktur ini telah diuji dengan metode lain dan memungkinkan AI untuk mempelajari bagaimana protein melipat dan menghadapi rantai asam amino yang tidak diketahui dan memprediksi hasilnya dengan cukup dekat. Sebagai tanda peningkatan dalam pembelajaran AI ini pada tahun 2018, perangkat lunak yang sama mendapat skor 60 dari 100 dan itu sudah dianggap sebagai kemajuan besar. Meskipun benar bahwa basis data protein tumbuh dari tahun ke tahun dengan penggabungan baru yang diamati di laboratorium, diharapkan untuk edisi kontes berikutnya pada tahun 2022, skor mereka akan meningkat secara kualitatif.

Mampu membuat prediksi pengikatan protein yang andal akan memungkinkan desain eksperimen untuk meningkatkan obat dari semua jenis.

Related Posts