머신러닝, 단백질 공학을 간소화하고 성능을 향상시키다

미국 - 이크바리 뉴스 통신사

머신러닝, MULTI-evolve 프레임워크로 단백질 공학에 혁명을 일으키다

획기적인 과학 발전에서 연구원들은 단백질 공학 분야에 혁명을 일으킬 MULTI-evolve라는 혁신적인 머신러닝 프레임워크를 선보였습니다. 이 혁신적인 시스템은 생명을 구하는 의약품부터 세제 및 바이오 연료와 같은 일상 소비재에 이르기까지 광범위한 응용 분야의 핵심 구성 요소인 고성능 단백질 개발을 극적으로 가속화하고 단순화하는 것을 목표로 합니다.

역사적으로 단백질 기능 최적화 과정은 복잡하고 어려운 작업이었습니다. 일반적으로 아미노산 서열을 조정하고, 각 수정 사항에 대해 실험실 테스트를 수행하고, 원하는 개선 사항을 식별하기 위해 결과를 신중하게 분석하는 여러 주기를 포함합니다. 그러나 여러 돌연변이 간의 복잡한 상호 작용은 최종 결과를 예측하는 것을 어려운 과제로 만들며, 종종 광범위한 시행 착오 실험을 필요로 합니다. 이 철저한 과정은 캘리포니아 대학교 버클리 캠퍼스의 생명 공학자인 패트릭 쉬 박사(Dr. Patrick Hsu)에 의해 "매우 고차원적인 검색 문제로, 우리는 효과적으로 추측하고 확인합니다"라고 적절하게 묘사되었습니다.

MULTI-evolve는 이 오랜 문제에 대한 강력한 해결책으로 등장합니다. 전통적인 실험 방법에만 의존하는 대신, 이 프레임워크는 정교한 머신러닝 알고리즘과 실험실 실험을 지능적으로 통합하여 여러 동시 돌연변이를 가진 단백질의 성능을 예측합니다. MULTI-evolve의 핵심 강점은 다양한 돌연변이 간의 복잡한 상호 작용을 해독하는 능력에 있으며, 이는 단백질 기능의 상당한 개선을 달성하는 데 중요한 요소입니다.

MULTI-evolve 워크플로는 세 단계 프로세스를 통해 작동합니다. 처음에는 연구원들이 기존 데이터를 활용하거나 머신러닝 기술을 사용하여 단백질 기능에 대한 개별 아미노산 치환의 영향을 예측합니다. 그런 다음, 이러한 돌연변이가 서로에게 어떻게 영향을 미치는지 이해하기 위해, 각 잠재적 돌연변이 쌍을 포함하는 일련의 단백질이 실험실에서 합성됩니다. 그 성능은 실험적으로 평가됩니다. 마지막으로, 이러한 경험적 데이터는 5개 이상의 돌연변이를 가진 대상 단백질의 효능을 예측할 수 있는 머신러닝 모델을 훈련하는 데 사용되며, 이를 통해 가능한 모든 조합에 대한 철저한 테스트의 필요성을 없앨 수 있습니다.

MULTI-evolve의 효능은 자가면역 질환과 관련된 항체와 최첨단 CRISPR 유전자 편집 기술에 사용되는 단백질을 포함한 세 가지 별개의 단백질에 대한 엄격한 테스트를 통해 입증되었습니다. 각 경우에 모델은 실험실 분석에서 원래 단백질보다 훨씬 뛰어난 성능을 보이는 돌연변이 조합을 성공적으로 식별했으며, 이는 시너지 효과를 내는 수정 세트를 선택하는 능력을 강조합니다.

이러한 혁신은 수많은 응용 분야에 대한 문을 열어줍니다. 쉬 박사는 두 가지 특히 유망한 경로를 강조했습니다. 세포 내 다른 분자의 움직임을 추적하기 위한 엔지니어링된 단백질 사용과 효소 결핍이 있는 개인을 위한 더 우수한 유전자 치료법 개발입니다. 쉬 박사는 "우리는 이 작업에 대해 흥분하고 있습니다. "이것이 실제로 과학의 실천을 어떻게 바꾸는지에 대해 엄청난 관심이 있다고 생각합니다."라고 말했습니다.

MULTI-evolve 프레임워크는 단백질 공학 분야에서 중요한 도약을 나타내며, 과학자들에게 이전보다 훨씬 더 효율적이고 빠르게 향상된 기능을 가진 단백질을 설계할 수 있는 강력한 도구를 제공합니다. 이러한 발전은 과학적 발견의 속도를 높일 뿐만 아니라, 증가하는 사회적 요구를 충족시키기 위한 새로운 치료법과 정교한 산업 제품의 길을 열어줍니다.

이크바리 뉴스 통신사