Kunstig intelligens kan designe nye lægemidler

Du kender sikkert situationen. Det er juleaften, og gavepapiret er knap kommet af de store firkantede pakker, før de første LEGO-modeller tager form.

I min familie er de fleste modeller samlet før anden juledag.

Det er dog først nu, at det rigtigt sjove begynder. De samme LEGO-klodser kan bygges til forskellige ting ved at kombinere dem på nye måder. For eksempel kan motoren fra den fjernstyrede bil drive vingerne på Harry Potters ugle. Dette resulterer i en meget aggressivt baskende ugle og et noget andet udtryk end det oprindelige design.

Proteiner er opbygget efter samme princip som LEGO.

Et lille udvalg af kemiske klodser kaldet aminosyrer sættes sammen i lange kæder. Disse kæder folder sig i en tredimensionel form, som giver proteinet dets funktion.

Vi har omkring 20.000 forskellige proteiner, som fordøjer vores mad, regulerer vores vækst, danner minder i vores hjerner og meget andet.

Hidtil har proteinforskere været begrænset til de LEGO-modeller, hvor naturen har givet os samlevejledningen, men nu har forskere udviklet kunstig intelligens-modeller, der gør det muligt at designe helt nye proteiner.

Det er et kæmpe gennembrud i bioteknologi og udviklingen af medicin. Vi kan designe ny medicin hurtigere med kunstig intelligens, der har lært hvordan naturens molekyler ser ud.

Jeg tror, at 2024 bliver året, hvor protein-design baseret på kunstig intelligens for alvor vinder indpas.

Kunstig intelligens bygget på 70 års eksperimentel forskning

Forudsætningen for succesfuldt proteindesign er løsningen af et af videnskabens helt store problemer:

Hvis man kender rækkefølgen af aminosyrer i et protein, så burde man også kunne forudsige dets rumlige struktur. I princippet, men ikke i praksis.

Det har vist sig at være utroligt vanskeligt på grund af de astronomisk mange mulige måder, man kan folde et protein på – svarende til de astronomiske mange måder, man kan sammensætte de samme LEGO-klodser.

I 2021 blev der frigivet en kunstig intelligens model, der var meget bedre til at forudsige proteiners struktur end noget, vi hidtil havde set – AlphaFold2.

AlphaFold2 bruger de data, der er blevet indsamlet i 70 års eksperimentelle studier af proteiners struktur. Det tillader kunstig intelligens at lære reglerne for sammenhængen imellem rækkefølgen af aminosyrer og proteinets rumlige struktur.

Bestemmelse af et proteins struktur tog før års møjsommeligt arbejde, men kunne nu i mange tilfælde klares af en computer på minutter.

At kunne forudsige proteiners struktur er essentiel for proteindesign. Et kritisk trin i de nye proteindesign-modeller – der også er trænet på eksperimentelle data – er, at man først tester potentielle nye proteiner i en computer.

Dermed kan man teste om en aminosyre-kombination har den ønskede struktur. Dermed kan man teste tusindvis af varianter for at finde de få promille, der folder sig som man ønsker.

Hurtigere udvikling af ny medicin

De nye proteindesign modeller kommer til at hjælpe os med at udvikle medicin hurtigere.

Det meste medicin virker ved at binde sig til et protein og dermed aktivere eller inaktivere det.

Mange lægemidler er også selv proteiner, eksempelvis antistoffer, som er baseret på vores immunsystems måde at genkende og bekæmpe fremmede molekyler.

Ved hjælp af de nye algoritmer kan man designe proteiner, der genkender et bestemt sted på et andet protein. Dermed kan man styre, hvordan proteinerne påvirker hinanden.

Tilmed er de designede proteiner ofte enormt stabile, så man kan koge dem, uden at de tager skade.

Selv hvis designer-proteinerne ikke ender med at blive det endelige lægemiddel, tillader de os hurtigt at teste, hvordan et lægemiddel ville virke, hvis det genkendte et bestemt sted på et protein.

Designprocessen foregår i høj grad i en computer, hvilket skaber en ny type udfordringer.

Mængden af potentielle aminosyre-kombinationer er langt større end antallet af atomer i universet. Derfor er det en enormt tung beregningsopgave at finde den rigtige rækkefølge.

Beregningerne kræver adgang til de største super-computere, universiteterne råder over. Der er allerede nu kamp om at få adgang til disse computere.

Hvis mange forskere skal få glæde af den kunstige intelligens, kræver det at vi opruster med nye og stærkere super-computere.