Inteligența artificială dezvăluie noi ținte terapeutice ascunse în mitocondrii
Cercetătorii de la Texas A&M AgriLife Research utilizează inteligența artificială pentru a accelera răspunsurile la o întrebare veche în biologia umană: ce rol au sutele de proteine necunoscute din mitocondrii, centrele energetice ale celulelor umane. De ani de zile, oamenii de știință știu că în mitocondrii există aproximativ 1.100 de proteine, dar încă nu se știe ce fac multe dintre ele. Aceasta este o problemă, deoarece mutațiile în aproape 30% dintre proteinele mitocondriale au fost asociate cu boli umane, de la afecțiuni mai comune precum cancerul, Parkinson și Alzheimer, până la tulburări metabolice ereditare rare.
Fără a cunoaște funcția biochimică precisă a acestor proteine, este dificil să se înțeleagă cauzele acestor boli. O modalitate de a deduce funcția unei proteine este identificarea altor proteine cu care interacționează. În studiul „The predicted interactome of the human mitochondrial proteome”, publicat în Nature Communications, echipa a folosit un instrument de inteligență artificială pentru a analiza fiecare posibilă pereche dintre aproximativ 1.100 de proteine mitocondriale umane — peste 630.000 de combinații — pentru a identifica interacțiunile probabile.
Predicțiile au legat multe proteine asociate cu boli de căi biologice necunoscute anterior, indicând potențiale ținte diagnostice și terapeutice. Din perspectiva științei de bază, studiul a oferit, de asemenea, primilor 85 de proteine necaracterizate partenerii lor probabili, oferind indicii despre ceea ce ar putea face aceste proteine în celule.
„Dacă nu cunoaștem funcția acestor proteine individuale, nu putem determina cum să tratăm bolile pe care le pot cauza”, a declarat Abhinav Swaminathan, autorul principal al studiului și cercetător în cadrul AgriLife Research în laboratorul lui Vishal Gohil, profesor în Departamentul de Biochimie și Biofizică al Texas A&M.
Cercetători din întreaga țară au lucrat pentru a identifica funcțiile proteinelor mitocondriale misterioase, dar metodele tradiționale de laborator sunt lente. Acum aproape trei ani, Swaminathan și Gohil au pornit să accelereze acest proces testând un instrument de inteligență artificială numit AlphaFold-Multimer, sau AFM. Google DeepMind a creat și a prezentat AFM în 2022 pentru a prezice formele tridimensionale pe care le formează proteinele împreună.
„Nu aveam instrumente experimentale fiabile pentru a evalua interacțiunile directe ale proteinelor mitocondriale pentru proteinele din calea cuprului pe care le studiem, așa că am făcut un test folosind abordarea AI”, a spus Swaminathan. „A funcționat foarte bine, așa că am decis să o aplicăm tuturor proteinelor mitocondriale umane.”
Din cele 630.003 perechi posibile de proteine, echipa a catalogat 2.895 de interacțiuni probabile. Mai mult de jumătate dintre ele nu fuseseră raportate niciodată anterior.
Au urmat aproximativ doi ani de experimente de laborator, care au confirmat mai multe dintre parteneriatele prezise în celule de drojdie și celule umane. Unele dintre aceste experimente au fost realizate în colaborare cu cercetători de la Washington University School of Medicine din St. Louis. Rezultatele au arătat că predicțiile AI pot servi drept hartă, îndrumând oamenii de știință către experimentele de laborator cu cele mai mari șanse de a da rezultate.
Echipa a făcut predicțiile disponibile ca resursă online gratuită, MitoMatch, astfel încât cercetătorii din întreaga lume să poată atribui parteneri probabili proteinelor pe care le studiază. Pe măsură ce membrii echipei continuă să experimenteze cu datele, ei colaborează și cu alți cercetători pentru a înțelege mai bine funcția celulară și pentru a lucra spre noi perspective asupra bolilor umane.
Vindecările pentru bolile legate de mitocondrii ar putea fi încă departe în viitor, dar Swaminathan a spus că succesul recent al echipei cu abordarea sa AI este un punct de plecare promițător. „Suntem un laborator tradițional de biochimie și genetică, nu un laborator de AI”, a spus Swaminathan, „dar cred că această cercetare a avut succes pentru că am pus întrebarea mai mare despre ce am putea face pentru a aborda problema funcției proteinelor și am fost creativi cu resursele noastre pentru a dezvolta o soluție pe care oricine o poate folosi.”
