NVIDIA выпустила базу данных вирусных белков и инструментарий BioNeMo

Исследователи, изучающие неизвестные вирусы, нуждаются в данных о структуре их белков для разработки потенциальных лекарств и вакцин. Использование искусственного интеллекта позволяет быстро получить первичные прогнозы, которые затем подлежат обязательной лабораторной проверке. Компания NVIDIA в сотрудничестве с Google DeepMind и рядом других партнеров объявила о выпуске масштабного набора данных, содержащего предсказанные 3D-структуры белковых комплексов более 2800 вирусов, включая патогены, поражающие человека.

Доступ к данным и цели проекта

Данные находятся в свободном доступе через портал Pandemic Preparedness Portal, входящий в состав базы данных AlphaFold, который был создан специалистами Google DeepMind и EMBL-EBI. По словам представителей NVIDIA, цель инициативы заключается в создании инструментов для борьбы с возможными будущими пандемиями.

Профессор молекулярной вирусологии в Центре исследований вирусов Совета по медицинским исследованиям Университета Глазго Джо Гров, участвовавший в проекте, отметил, что при возникновении новой угрозы ученые могут столкнуться с дефицитом знаний, подобным тому, что наблюдался в начале пандемии COVID-19. Цель проекта — сформировать «запас» научных данных заблаговременно.

Роль AlphaFold2 и BioNeMo

Набор данных был сформирован с использованием модели машинного обучения AlphaFold2 от Google DeepMind, которая предсказывает 3D-структуру белков на основе последовательностей аминокислот. В процессе генерации данных применялся рабочий процесс BioNeMo от NVIDIA для ускорения вычислений на графических процессорах. Согласно заявлению компании, около 30% добавленных белковых взаимодействий ранее не были задокументированы в Protein Data Bank, где хранятся структуры, полученные экспериментальным путем.

Помимо самого набора данных, NVIDIA открыла доступ к конвейеру прогнозирования структур BioNeMo. Этот инструмент позволяет ученым самостоятельно генерировать 3D-прогнозы для других белковых комплексов, которые находятся в их распоряжении. Важно подчеркнуть, что AlphaFold предоставляет прогнозы с высокой степенью вероятности, а не окончательно подтвержденные структуры, поэтому результаты все равно требуют подтверждения в ходе лабораторных экспериментов.

Перспективы развития медицины

Ключевое преимущество использования моделей, подобных AlphaFold2, заключается в значительном сокращении времени и финансовых затрат, требуемых для традиционных методов определения 3D-структур белков. Основная задача заключается в повышении скорости реагирования системы здравоохранения на возникающие угрозы. В период пандемии COVID-19 ученые опирались на десятилетия предшествующих исследований коронавирусов, что позволило оперативно найти решения, однако для новых, ранее не изученных вирусов, подобная база знаний может отсутствовать.

Риша Патель, менеджер по партнерствам в области наук о жизни Google DeepMind, подчеркнула, что данная коллаборация предоставляет научному сообществу ценные сведения для подготовки к будущим вспышкам заболеваний. Для исследовательских групп это означает немедленный доступ к структурам малоизученных вирусов и инструментам для анализа собственных белковых мишеней. Следующим этапом работы станет тестирование перспективных прогнозов в лабораторных условиях, после чего их можно будет рассматривать в качестве основы для разработки методов диагностики или терапевтических препаратов.