Τέλος σε μυστήριο 50 ετών στη βιολογία με τη βοήθεια της τεχνητής νοημοσύνης

Ένα σύστημα τεχνητής νοημοσύνης με την ονομασία AlphaFold, που αναπτύχθηκε από τη βρετανική εταιρεία DeepMind, θυγατρική της Google, κατάφερε για πρώτη φορά να λύσει ένα από τα μεγάλα μυστήρια της βιολογίας εδώ και δεκαετίες: να προβλέπει γρήγορα και με ακρίβεια πώς θα αναδιπλωθούν οι πρωτεΐνες, ποιο τρισδιάστατο σχήμα θα πάρουν και άρα ποια θα είναι η λειτουργία τους.

Το επίτευγμα, που χαρακτηρίσθηκε ορόσημο από τον επιστημονικό κόσμο, θα βοηθήσει στην καλύτερη κατανόηση διαφόρων ασθενειών και στην επιτάχυνση της ανάπτυξης νέων φαρμάκων, μεταξύ άλλων για την Covid-19.

Σε ένα σχετικό διαγωνισμό, το «έξυπνο» σύστημα AlphaFold νίκησε, καθώς μπόρεσε γρήγορα να προβλέψει σωστά τουλάχιστον τα δύο τρίτα της δομής των πρωτεϊνών, με βάση μόνο την αρχική αλληλουχία (αλυσίδα) των αμινοξέων τους, κάτι που για να το πετύχουν οι άνθρωποι, χρειάζονται δαπανηρές και χρονοβόρες διαδικασίες στο εργαστήριο. Μέσα σε λίγες μέρες, ο αλγόριθμος έκανε δουλειά που οι επιστήμονες θέλουν χρόνια στο εργαστήριο τους.

«Έμεινα πραγματικά έκθαμβος, όταν το είδα. Δεν περίμενα ποτέ να το δω όσο ζούσα», δήλωσε ο δομικός βιολόγος δρ Τζον Μουλτ του Πανεπιστημίου του Μέριλαντ, ένας από τους διοργανωτές του διεθνούς επιστημονικού διαγωνισμού CASP (Critical Assessment of protein Structure Prediction), που ξεκίνησε το 2004 και γίνεται ανά διετία.

Ζωτικός ρόλος

Οι δεκάδες χιλιάδες διαφορετικές πρωτεΐνες παίζουν ζωτικό ρόλο στην υγεία και στις ασθένειες του σώματος, καθώς τα κύτταρα φτιάχνονται από πρωτεΐνες, το πολύπλοκο σχήμα των οποίων παίζει σημαντικό ρόλο. Για παράδειγμα, ο κορονοϊός που προκαλεί τη νόσο Covid-19, εισδύει στα ανθρώπινα κύτταρα, επειδή μια προεξέχουσα πρωτεΐνη-ακίδα που διαθέτει, ταιριάζει δομικά -όπως το κλειδί σε μια κλειδαριά- με μια πρωτεΐνη-υποδοχέα στα κύτταρα μας.

Το σχήμα κάθε πρωτεΐνης καθορίζεται από την αλληλουχία 20 διαφορετικών αμινοξέων, που σχηματίζουν αλυσίδες για να φτιάξουν τις πρωτεΐνες (για τη σχετική ανακάλυψη δόθηκε το 1972 το Νόμπελ στον Κρίστιαν 'Ανφινσεν). Είναι εύκολο για τους βιολόγους να «διαβάσουν» αυτή την αλληλουχία, καθώς καθορίζεται από το DNA που την κωδικοποιεί, αλλά σχεδόν αδύνατο -παρά τις προσπάθειες μισού αιώνα περίπου- να προβλεφθεί το σχήμα μιας πρωτεΐνης με βάση τα δεκάδες ή εκατοντάδες αμινοξέα της.

Μέχρι σήμερα οι επιστήμονες καταφεύγουν σε πειραματικές τεχνικές, όπως η κρυσταλλογραφία ακτίνων-Χ, η μικροσκοπία κρυο-ηλεκτρονίων και η φασματοσκοπία MMR, που όμως είναι πάρα πολύ δύσκολες, καθώς χρειάζονται μήνες ή χρόνια και δεν δουλεύουν πάντα σωστά. Όμως το νέο σύστημα βαθιάς μάθησης AlphaFold, που άρχισε να δοκιμάζεται το 2018 και έκτοτε βελτιώθηκε σημαντικά, μπορεί πλέον να συσχετίσει κάθε αλληλουχία αμινοξέων με μια διαφορετική πρωτεϊνική δομή. Πάντως έχει ακόμη περιθώρια βελτίωσης, καθώς π.χ. δεν τα πάει τόσο καλά με τις πρωτεΐνες των οποίων η δομή επηρεάζεται από αλληλεπιδράσεις με άλλες πρωτεΐνες.

Όπως δήλωσε ο εξελικτικός βιολόγος Αντρέι Λούπας του γερμανικού Ινστιτούτου Αναπτυξιακής Βιολογίας Μαξ Πλανκ, τα επόμενα λίγα χρόνια οι ερευνητές θα συνεχίσουν να «τσεκάρουν» οι ίδιοι την ακρίβεια των προβλέψεων του AlphaFold, αλλά μετά θα εξαρτιούνται αποκλειστικά από τους υπολογισμούς της τεχνητής νοημοσύνης. Όπως είπε, η πραγματική επανάσταση θα συμβεί, όταν πλέον οι επιστήμονες θα μπορούν να χρησιμοποιούν μόνο τους υπολογιστές για να προβλέπουν πώς οι πρωτεΐνες αλληλεπιδρούν με άλλα μόρια. «Αυτό θα αλλάξει τελείως το πρόσωπο της ιατρικής», εκτίμησε.

Ήδη, για παράδειγμα, ο αλγόριθμος AlphaFold προέβλεψε σωστά τα σχήματα αρκετών πρωτεϊνών του κορωνοϊού SARS-CoV-2. Στο μέλλον θα έχει πιθανώς την ικανότητα να προβλέπει ποια από τα χιλιάδες υπάρχοντα φάρμακα προσδένονται σωστά σε αυτές τις πρωτεΐνες, άρα μπορεί να έχουν θεραπευτική δράση, χωρίς να χρειάζεται οι επιστήμονες να κάνουν πανάκριβα και πολύπλοκα πειράματα όπως τώρα.

Προς το παρόν, σύμφωνα με το "New Scientist", το BBC και το "Science", οι δημιουργοί του AlphaFold δεν έχουν αποκαλύψει πολλές λεπτομέρειες για το σύστημα τους, αλλά δήλωσαν ότι σύντομα θα κάνουν σχετική επιστημονική δημοσίευση. Η DeepMind δεν έχει ακόμη διευκρινίσει με ποιο τρόπο οι επιστήμονες σε όλο τον κόσμο θα μπορούν να αξιοποιήσουν το νέο σύστημα, αλλά υποσχέθηκε να διασφαλίσει ευρεία πρόσβαση.