AI工具的广泛可用性正在加速技术科学和自然科学的进步。这一点在生物技术领域尤为明显，AI正在解锁药物发现、精准医学、基因编辑、食品安全等方面的新可能性。
其中一个特别令人兴奋的发展领域是蛋白质组学，即大规模研究蛋白质。该领域的研究人员依赖庞大的蛋白质数据库来比较样本数据，帮助他们识别出存在的蛋白质及其对应的微生物。这些见解支持了诸如疾病诊断、治疗反应评估和患者样本中的病原体检测等关键任务。
然而，尽管这些工具功能强大，但仍然存在显著的局限性。据丹麦技术大学生物工程学院副教授蒂莫西·帕特里克·詹金斯（Timothy Patrick Jenkins）解释：“没有一个数据库包含所有内容，因此你需要知道哪些数据库符合你的需求。深度搜索需要大量时间和计算能力，几乎不可能识别出尚未注册的蛋白质。”
为了克服这些障碍，一些团队转向了从头测序算法——这种技术可以在不完全依赖现有数据库的情况下推断蛋白质序列。
虽然这些方法承诺更大的灵活性和更低的计算成本，但詹金斯和他的同事们（来自丹麦技术大学、代尔夫特理工大学和英国AI公司InstaDeep）发现当前的算法往往表现不佳。
在《自然机器智能》上发表的一项研究中，研究团队介绍了两个新的AI模型——InstaNovo和InstaNovo+，旨在帮助科学家、临床医生和行业专业人士更高效地分析大规模蛋白质组学数据集。这些模型可通过InstaDeep平台供研究人员使用。
“我们的模型在精度和多功能性方面都超越了现有的技术水平，”该研究的共同第一作者、InstaDeep公司的研究工程师凯文·迈克尔·埃洛夫（Kevin Michael Eloff）说。“正如我们在论文中展示的那样，这些工具不仅限于一个研究领域，它们有潜力推进任何使用蛋白质组学的领域。”
为了验证这些模型，研究人员在各种实际应用场景中进行了测试。
其中一个案例涉及静脉性腿部溃疡患者的伤口液体，这类溃疡难以治疗且容易变成慢性。准确识别这些伤口中的微生物组成对于指导治疗至关重要。与传统的数据库搜索相比，InstaNovo模型映射了十倍多的蛋白质序列，包括检测到大肠杆菌和多重耐药菌铜绿假单胞菌。
另一个应用集中在肽类——细胞表面呈现的小蛋白质片段，有助于免疫系统识别威胁，如癌症。这些模型识别了数千个以前未被检测到的肽类，这可能成为免疫疗法中的有价值靶点，其中个性化治疗旨在增强身体的免疫反应。
“我们的结果在复杂场景中——比如涉及未知蛋白质或生物体——显示这些模型可以大幅提高我们的理解，”该研究的共同第一作者、丹麦技术大学助理教授康斯坦丁诺斯·卡洛格罗普洛斯（Konstantinos Kalogeropoulos）说。“这对于推进微生物组研究、个性化医学和癌症免疫学具有真正的前景。”
该研究还展示了六个额外的案例研究，证明这些模型如何改进治疗测序、发现新型肽类、检测先前未报告的生物体，并总体提升蛋白质组学搜索的性能。
詹金斯认为这些工具的好处远远超出了临床环境。“从技术和科学的角度来看，这些工具提供了更深入理解生物学的机会——不仅在医疗保健领域，还在工业生物技术、环境监测、植物科学、兽医科学甚至考古学等领域，”詹金斯说。“无论在哪里应用蛋白质组学，这些模型都能打开我们之前无法看到的蛋白质景观。”
(全文结束)
声明：本文仅代表作者观点，不代表本站立场，全文内容涉及AI跨语种自动翻译。如有侵权请联系我们删除。