Van medicijnontwikkeling en voedselproductie tot recycling en gewasbescherming: in allerlei industrieën is er een revolutie op komst dankzij het computermodel AlphaFold, dat de vorm van eiwitstructuren voorspelt. Van dat model zijn inmiddels drie versies ontwikkeld, waarvan de tweede – AlphaFold2 – dit jaar zelfs in de prijzen is gevallen. Dinsdag wordt in Stockholm de Nobelprijs voor Scheikunde uitgereikt aan onder andere twee medewerkers van DeepMind (de AI-tak van Google) die het model ontwikkelden.
In elke cel van het lichaam worden eiwitten aangemaakt, die binnen en buiten de cel belangrijke rollen vervullen, bijvoorbeeld:
Opbouw en behoud van spieren en botten (zoals actine en keratine), …
verteren van voedsel (zoals amylase, dat voedsel afbreekt), …
in de vorm van hormonen (zoals adrenaline en insuline), …
het beschermen van je cellen (zoals immunoglobine), …
en het transport van stoffen door het bloed (zoals hemoglobine).
Elk eiwit bestaat uit een opgevouwen keten van aminozuren. Elke aminozuurketen vouwt automatisch op een unieke manier op, en dat patroon bepaalt de functie van het eiwit.Je kunt het vergelijken met een kralenketting die altijd op dezelfde manier in de war raakt.
Sommige eiwitten behoren bijvoorbeeld tot de alfa-eiwitten: de aminozuurketen bestaat dan voor een belangrijk deel uit een rechtsdraaiende helix. Dat betekent dat de kralenketting is opgekruld tot een driedimensionale spiraal, die met de klok mee van je af draait.
Er zijn heel veel eiwitten waarvan de vorm en dus ook de functie nog onbekend zijn.
De volgorde van de kralen – dus: de aminozuren – kennen onderzoekers dan al, …
… maar op welke manier de ketting precies in de war raakt weten ze niet.
Voorheen kostte het maanden tijd – en veel geld – om een eiwitstructuur te bepalen, met een methode die kristallografie heet. Nu kan dat in minuten dankzij AlphaFold.
Hierdoor kunnen onderzoekers onder andere:
Ziektes beter en eerder begrijpen (bij de ziekte van Alzheimer spelen eiwitten een belangrijke rol).
Medicijnen ontwikkelen om die ziektes te bestrijden.
Innovatieve eiwittoepassingen maken om bijvoorbeeld CO2 uit de atmosfeer te halen.
Google heeft een computerprogramma ontworpen: AlphaFold, een neuraal netwerk dat op basis van grote datasets van aminozuurketens driedimensionale eiwitstructuren beter en sneller kan voorspellen. Een neuraal netwerk is een vorm van kunstmatige intelligentie. Je kunt het zien als een kunstmatig model van het brein, dat je met digitale data traint.
Door die training kan het model patronen herkennen en een vermoedelijke uitkomst geven. Daar zijn al andere voorbeelden van. Bij ChatGPT is dat bijvoorbeeld het meest waarschijnlijke volgende woord in een zin en bij de app Obsidentify wordt op basis van een gemaakte natuurfoto bepaald wat de meest waarschijnlijke planten-, dieren- of paddenstoelensoort is.
Van AlphaFold zijn inmiddels drie versies ontwikkeld, waarvan AlphaFold2 recent de Nobelprijs voor Scheikunde heeft ontvangen.
Het AlphaFold2-model is getraind met data van aminozuurketens waarvan de eiwitstructuren al bekend zijn. Hierdoor kan het model patronen herkennen in andere aminozuurketens (waarvan de eiwitstructuur nog niet bekend is) en zo de daarbij behorende eiwitstructuren beter en sneller voorspellen. Hoe dit werkt, leggen we hieronder stapsgewijs uit.
Aan de basis van AlphaFold2 ligt een database van 200.000 bekende eiwitstructuren die eerder al zijn ontrafeld dankzij kristallografie.
AlphaFold2 vergelijkt een aminozuurketen waarvan de vorm nog niet bekend is allereerst met aminzouurketens van eiwitten in die database.
Ook verkent het welke interacties de verschillende aminozuren met elkaar aangaan:
Mogelijke interacties hangen van een paar dingen af, …
bijvoorbeeld of aminozuren dezelfde evolutie kennen, …
en of ze positief of negatief geladen zijn. Sommige aminozuren trekken elkaar aan, andere stoten elkaar af, et cetera.
Dat kan de manier van vouwen bepalen en dus ook de uiteindelijke vorm van het eiwit.
Dan komt het model met een inschatting hoe stukjes van de aminozuurketen zich in de ruimte tot elkaar kunnen verhouden. Je kunt het zien als de kralenketting die op een bepaalde manier in een 3D-ruimte wordt geplaatst.
Elke kraal (elk aminozuur dus) heeft daarin een eerste positie, die door het model wordt ingeschat.
Per kraal wordt ook in procenten weergegeven hoe waarschijnlijk het is dat de kraal zich op die positie bevindt.
Vervolgens wordt op dit 3D-model een vorm van kunstmatige intelligentie toegepast: een specifiek neuraal netwerk, dat de ‘Transformer’ heet. Je kunt dit zien als een machine waarin het 3D-model wordt geladen. Die machine kan dan heel snel bepalen welke stukjes informatie van belang zijn, en dus kunnen bijdragen aan een relevante uitkomst.
Deze machine bestaat uit de volgende onderdelen:Model met kralen (= aminozuurketen),
Metertjes aan de hand waarvan de positie van elke kraal kan worden bijgesteld.
Deze metertjes staan voor een aantal eigenschappen per kraal, bijvoorbeeld de precieze positie in de ketting, de hoek ten opzichte van andere kralen, enzovoort.
De machine scant vervolgens in 1 keer het gehele model…
… en past op basis van de informatie die hij over alle kralen krijgt en hoe ze op elkaar reageren de metertjes aan, en daarmee ook de positie van de kralen.
AlphaFold2 vertelt er meteen bij hoe waarschijnlijk het is dat de gepresenteerde structuur vergelijkbaar is met de werkelijkheid.
Dit model wordt opnieuw door de transformer gestuurd, om een nog accuratere voorspelling van het eiwit te krijgen. Dat proces herhaalt zich meerdere malen.
Of zoals het in een artikel uit wetenschappelijk tijdschrift Science beschreven staat: ‘het lijkt op het maken van een puzzel: eerst worden de stukjes aaneengelegd tot kleine groepjes – in dit geval clusters van aminozuren – en dan wordt er gekeken naar manieren om die kleine groepjes tot een groter geheel te smeden.’
Uiteindelijk komt daar een model uit dat met grotewaarschijnlijkheid de structuur van het desbetreffendeeiwit voorspelt.
In mei dit jaar verscheen AlphaFold3, dat met nog geavanceerdere technieken nóg nauwkeurigere voorspellingen kan maken. Ook de structuren van dna en rna zijn ermee na te bootsen. Of zoals de ontwikkelaars van AlphaFold3 het zelf omschreven bij de lancering in mei: ‘hiermee kunnen we de structuur en interacties van alle moleculen van levende wezens voorspellen, met ongeëvenaarde precisie’.
In totaal zijn er in de open database nu meer dan 200 miljoen voorspelde structuren van eiwitten beschikbaar.
Doorzie de wereld van technologie elke week met NRC-redacteuren
Source: NRC