Afgelopen december, toen 2020 bijna ten einde was, hadden we eindelijk hoopvol nieuws ontvangen: het eerste COVID-vaccin was geaccepteerd door de EU. Het voelde alsof de ontwikkeling van een goed vaccin eeuwen duurde, waardoor we na het horen van dit nieuws eindelijk een lichtpuntje aan de horizon hadden. Een maand eerder werd een wetenschappelijke doorbraak aangekondigd die verwees naar een technologie die kan leiden tot een veel efficiëntere ontwikkeling van duizenden vaccins en behandelingen voor ziekten in de toekomst. Deze doorbraak was niet alleen relevant voor biowetenschappen en biologie, maar ook voor Artificial Intelligence (AI) en data science.
We hebben het over de grote doorbraak van DeepMind in hun nieuwste versie van 'AlphaFold'. AlphaFold is een op AI gebaseerd systeem dat is erkend als een goede oplossing voor een van de meest uitdagende problemen op het gebied van biologie: het probleem van "eiwitvouwing". Wat is het probleem van eiwitvouwing en hoe is het opgelost met behulp van AI?
Wat is het probleem?
Eiwitten zijn zeer complexe stoffen die aanwezig zijn in alle levende organismen. Het zijn in wezen de bouwstenen van het leven. Bijna elke functie in ons lichaam is afhankelijk van eiwitten en hoe ze veranderen en bewegen. De functie van een bepaald eiwit hangt af van zijn unieke vorm en structuur. Bijvoorbeeld: de antilichaadeiwitten in ons immuunsysteem hebben de vorm van een katapult, die dient als haak om bacteriën en virussen op te sporen en indirect te elimineren.
Hoe deze eiwitten worden opgebouwd is gecodeerd in ons DNA. Een fout in het genetische bouwrecept kan resulteren in een misvormd eiwit, wat kan leiden tot ziekten. Alleen de genetische structuur van een eiwit kennen is echter niet genoeg om de vorm ervan te onthullen (die zo belangrijk is!). Eiwitten bestaan uit een opeenvolging van aminozuren en het DNA bevat alleen informatie over deze opeenvolging, niet over hoe het zich in een unieke vorm vouwt. Hoe groter een eiwit, hoe ingewikkelder het is om de vorm te modelleren. Het zou zelfs langer duren dan de leeftijd van ons universum om willekeurig te proberen de ware vorm van een eiwit te vinden. Voorspellen hoe deze aminozuurketens zich opvouwen om de 3D-structuur van een eiwit te vormen, noemen we het "eiwitvouwprobleem".
Dit 50 jaar oude probleem is erg moeilijk op te lossen gebleken en daarom werd in 1994 de CASP-wedstrijd (Critical Assessment of Protein Structure Prediction ) in het leven geroepen. Elk jaar nemen toponderzoeksteams van over de hele wereld deel aan deze wedstrijd om hun voorspellingsmodellen te presenteren in een poging het eiwitvouwingsprobleem op te lossen. Het nauwkeurigheidsniveau dat nodig is om het probleem op te lossen was nog niet bereikt. In de afgelopen jaren van de competitie heeft Kunstmatige Intelligentie echter haar aanwezigheid laten zien en heeft bewezen baanbrekende resultaten te kunnen produceren.
Waarom is het belangrijk?
Tot nu toe was de beste manier om de 3D-structuur van een eiwit te vinden dure en tijdrovende methoden. Het duurt ongeveer een jaar om de structuur van een enkel eiwit te vinden en het kost ongeveer 120.000 dollar om het met behulp van röntgenkristallografie te vinden. Naast deze methode van röntgenkristallografie is er geen eenvoudige analytische manier om de 3D-structuur van een eiwit te vinden op basis van de aminozuurvolgorde. Alle methoden presteren ver onder de lat die DeepMind's AlphaFold heeft gelegd in de meest recente CASP-edities.
AI-methoden kunnen de oplossing zijn voor dit tijdrovende en dure proces. Het kunnen voorspellen van de vorm van een eiwit op basis van zijn sequentie kan het onderzoek enorm versnellen. Als de vorm van een eiwit eenmaal is gevonden, kan de functie ervan worden bepaald en kunnen wetenschappers vaccins en medicijnen ontwikkelen die werken met de unieke vorm van het eiwit en ziekten sneller genezen of voorkomen.
De oplossing van DeepMind
Er zijn veel gegevens beschikbaar op het gebied van genomica (de studie van alle genen van een persoon). Hierdoor kunnen benaderingen die gebruik maken van Kunstmatige Intelligentie deze genomische gegevens gebruiken om dit probleem op te lossen. De kern van elk AI-algoritme is in wezen data!
DeepMind's eerste oplossing voor het eiwitprobleem (in 2018) richtte zich specifiek op het vanaf nul modelleren van de doelvormen van de eiwitten, waarbij ze geen gebruik maakten van eerder opgeloste eiwitten. Zie het als een kind leren een woord te spellen, zonder het referenties te laten zien van hoe soortgelijke woorden worden gespeld.
Het eerste AlphaFold systeem lost het probleem in twee stappen op. De eerste stap is voorspellende modellering met behulp van een Convolutioneel Neuraal Netwerk (CNN). Een CNN is hier bijzonder geschikt voor, omdat het een zeer dimensionale invoer kan begrijpen (zoals een extreem lange eiwitsequentie). CNN's worden ook veel gebruikt voor het analyseren van afbeeldingen, waarbij je hetzelfde probleem hebt van hoge dimensionaliteit in de hoeveelheid kleuren die een afbeelding kan bevatten (je computer kan 16,8 miljoen kleuren weergeven!).
Het model voert de eiwitsequentie in en het doel is om een correcte vouw te produceren. Het netwerk voorspelt twee eigenschappen: 1) de afstand tussen paren aminozuren en 2) de hoeken tussen chemische bindingen die deze aminozuren verbinden[1].
In de tweede stap wordt de uitvoer geoptimaliseerd met behulp van een techniek die gradiëntdaling wordt genoemd. Dit is een wiskundige techniek die wordt gebruikt om kleine, toenemende verbeteringen in het model aan te brengen.
De nieuwe aanpak
De baanbrekende oplossing die nog maar een paar maanden geleden werd aangekondigd, was de tweede versie van het al baanbrekende eerste AlphaFold systeem. Behalve een enkele blogpost is er niet veel gepubliceerd over deze nieuwe aanpak. Het lijkt erop dat het DeepMind team twee grote updates aan het systeem heeft gedaan. Vooral de eerste wekt onze interesse, omdat de CNN die ze in de eerste versie gebruikten, is vervangen door een zogenaamde 'Transformer': een nieuw deep learning-model dat in 2017 werd geïntroduceerd. Een Transformer is een 'op aandacht gebaseerd' neuraal netwerkmodel dat kan worden gezien als de opvolger van de LSTM en CNN. DeepMind maakte gebruik van deze recent ontwikkelde deep learning-aanpak, waardoor ze deze belangrijke doorbraak konden bereiken.
De rol van AI
Een op AI gebaseerde oplossing zoals DeepMind's AlphaFold kan wetenschappers helpen meer kennis te vergaren en uiteindelijk bijdragen aan het efficiënter ontdekken van medicijnen en vaccins. Dit betekent dat AI echt nuttig kan zijn in onderzoek naar het genezen en voorkomen van ziekten en uiteindelijk de levenskwaliteit van veel mensen over de hele wereld kan verbeteren.
We hebben het succes gezien van de oplossing van eiwitvouwing en geloven dat dit aangeeft hoe AI verschillende informatiebronnen kan gebruiken die mensen helpen om innovatieve en creatieve oplossingen te vinden voor problemen die in eerste instantie onoplosbaar lijken. Op AI gebaseerde oplossingen kunnen ons menselijk vermogen om complexe problemen op te lossen verrijken op een manier die we nog nooit eerder hebben gezien. We hebben gezien dat AI veel spellen zoals AlphaZero en Libratus onder de knie heeft gekregen, en op dezelfde manier geloven wij dat AI mensen kan helpen om nog meer vooruitgang te boeken door bij te dragen aan het oplossen van fundamentele problemen.
We hebben gezien hoe AI de wereld van wetenschappelijke ontdekkingen kan cultiveren en het veelbelovende potentieel ervan om onze levenskwaliteit te verbeteren. Veel mensen kunnen profiteren van op AI gebaseerde oplossingen en deze technologieën zijn nog nooit zo toegankelijk geweest. U bevindt zich op de juiste pagina om deel uit te maken van de veelbelovende en opwindende toekomst van AI. De mogelijkheden zijn eindeloos en het heeft zoveel te bieden!
