Учёные из Университета Генриха Гейне в Дюссельдорфе разработали модель SPOT, которая с помощью искусственного интеллекта может предсказать это с высокой точностью. Результаты исследования опубликованы в научном журнале PLOS Biology.

Вещества должны постоянно транспортироваться внутрь и наружу через клеточную мембрану, чтобы обеспечить выживание клеток и их функционирование. При этом не все вещества должны попадать в клетки, а некоторые процессы транспортировки должны быть управляемыми.

Транспортные белки, или транспортеры, встроенные в клеточные мембраны, переносят различные вещества. Каждый транспортер приспособлен к определенной молекуле — так называемому субстрату, или небольшой группе субстратов. Исследователи ищут оптимальные пары «транспортер — субстрат».

Профессор Мартин Лерчер из группы Computational Cell Biology и автор исследования, опубликованного в журнале PLOS Biology, рассказал, что экспериментально определить, какие субстраты соответствуют тем или иным транспортерам, очень сложно.

Кроме того, сложно определить трёхмерную структуру транспортера, поскольку белки становятся нестабильными при выделении из клеточной мембраны.

Мы выбрали другой подход, основанный на искусственном интеллекте, — говорит доктор Александр Кролл, ведущий автор исследования и постдок в группе профессора Лершера.

Метод, который назвали SPOT, обучил модель глубокого обучения на 8500 парах «транспортёр-субстрат», проверенных экспериментально.

Чтобы компьютер мог работать с белками-транспортерами и молекулами субстратов, биоинформатики из Дюссельдорфа преобразуют последовательности белков и молекул в числовые векторы. Их может обрабатывать искусственный интеллект.

После обучения модель предсказывает, насколько вероятно, что определённые субстраты подойдут к транспортеру.

Мы проверили нашу модель на данных, где уже известны пары «транспортёр — субстрат». SPOT с точностью выше 92% определяет, является ли молекула субстратом для определённого транспортёра. Это помогает учёным быстрее находить подходящий субстрат в лаборатории.

Кролл говорит, что это относится к любому транспортному белку, а не только к определённым классам схожих белков, как в других подходах.

Модель можно применять в разных областях. Например, с её помощью можно изменить метаболические пути для производства биотоплива или адаптировать лекарства к транспортерам, чтобы они попадали в нужные клетки.