신경망은 새로운 단백질을 설계하는 데 도움을 줍니다

유연한 언어 기반 접근 방식은 재료 과학의 다루기 힘든 문제를 해결하는 데 놀라울 정도로 효과적인 것으로 입증되었습니다.

미국 물리학 연구소

이미지: 복잡한 지침을 이해하고 최종 빌딩 블록의 재료를 분석 및 설계할 수 있는 변환기 그래프 신경망을 사용하여 생성된 디자이너 단백질 생체 재료의 샘플 시각화입니다.더보기

크레딧: Markus Buehler

워싱턴, 2023년 8월 29일 – 단백질은 복잡한 배열과 역동적인 기능을 통해 기하학이 핵심인 단순한 빌딩 블록의 독특한 배열을 사용하여 수많은 생물학적 작업을 수행합니다. 이 거의 무한한 배열 라이브러리를 각각의 기능으로 변환하면 연구자들이 특정 용도에 맞게 맞춤형 단백질을 설계할 수 있습니다.

AIP Publishing의 Journal of Applied Physics에서 Massachusetts Institute of Technology의 Markus Buehler는 종종 변환기라고 불리는 주의 신경 네트워크를 그래프 신경 네트워크와 결합하여 단백질을 더 잘 이해하고 설계했습니다. 이 접근 방식은 기존 단백질 특성을 예측할 뿐만 아니라 자연이 아직 고안하지 않은 새로운 단백질을 구상하기 위해 기하학적 딥러닝의 강점과 언어 모델의 강점을 결합합니다.

"이 새로운 방법을 사용하면 기본 원리를 모델링하여 자연이 발명한 모든 것을 지식 기반으로 활용할 수 있습니다."라고 Buehler는 말했습니다. "이 모델은 이러한 천연 빌딩 블록을 재결합하여 새로운 기능을 달성하고 이러한 유형의 작업을 해결합니다."

복잡한 구조, 다중 작업 능력, 용해 시 모양이 바뀌는 경향으로 인해 단백질은 모델링하기가 매우 어렵습니다. 기계 학습은 단백질 행동을 지배하는 나노 규모의 힘을 그 기능을 설명하는 작업 프레임워크로 변환하는 능력을 입증했습니다. 그러나 원하는 기능을 단백질 구조로 바꾸는 다른 방향으로 나아가는 것은 여전히 ​​어려운 일입니다.

이러한 문제를 극복하기 위해 Buehler의 모델은 숫자, 설명, 작업 및 기타 요소를 신경망이 사용할 수 있는 기호로 바꿉니다.

그는 먼저 기능을 통해 다양한 단백질의 서열, 용해도 및 아미노산 구성 요소를 예측하도록 모델을 훈련시켰습니다. 그런 다음 그는 새로운 단백질 기능에 대한 초기 매개변수를 받은 후 창의력을 발휘하고 새로운 구조를 생성하는 방법을 가르쳤습니다.

이 접근 방식을 통해 이전에는 물에 용해해야 했던 항균 단백질의 고체 버전을 만들 수 있었습니다. 또 다른 예에서, 그의 팀은 자연적으로 발생하는 실크 단백질을 가져와서 탄력성을 높이기 위해 나선 모양을 부여하거나 견고함을 더하기 위해 주름진 구조를 부여하는 등 다양한 새로운 형태로 진화시켰습니다.

이 모델은 새로운 단백질을 설계하는 많은 핵심 작업을 수행했지만 Buehler는 이 접근 방식이 더 많은 작업에 더 많은 입력을 통합하여 잠재적으로 더욱 강력해질 수 있다고 말했습니다.

“가장 놀라운 점은 모델이 여러 작업을 해결할 수 있도록 개발되었음에도 불구하고 매우 잘 수행되었다는 것입니다. 이는 모델이 다양한 작업을 고려하여 더 많이 학습하기 때문일 것입니다.”라고 그는 말했습니다. "이러한 변화는 연구자들이 특정 작업을 위한 전문 모델을 만드는 대신 이제 멀티태스킹 및 멀티모달 모델 측면에서 광범위하게 생각할 수 있음을 의미합니다."

이 접근법의 광범위한 특성은 이 모델이 단백질 설계 이외의 많은 영역에 적용될 수 있음을 의미합니다.

"우리의 현재 초점은 단백질이지만 이 방법은 재료 과학에서 엄청난 잠재력을 가지고 있습니다"라고 Buehler는 말했습니다. "우리는 특정 실패 패턴을 가진 재료를 설계하는 것을 목표로 재료 실패 동작을 탐구하는 데 특히 열중하고 있습니다."

###

Markus Buehler는 "새로운 단백질의 분석 및 발견에 적용되는 생성적 사전 훈련된 자동 회귀 변환기 그래프 신경망"이라는 기사를 작성했습니다. 이는 2023년 8월 29일 Journal of Applied Physics에 게재될 예정입니다(DOI: 10.1063/5.0157367). 해당 날짜 이후에는 https://doi.org/10.1063/5.0157367에서 액세스할 수 있습니다.