Rekayasa Protein Berbantuan Machine Learning

Perspektif ini mengulas peran machine learning yang terus berkembang dalam rekayasa protein, menyoroti aplikasi yang berhasil dan menekankan perlunya validasi eksperimental. Artikel ini membahas keterbatasan saat ini dan menguraikan arah penelitian di masa depan.

P. Kouba; Pavel Kohout; F. Haddadi; Anton Bushuiev; Raman Samusevich; Jirí Sedlár; J. Damborský; T. Pluskal; J. Sivic; S. Mazurenko· ACS Catalysis· 2023· DOI 10.1021/acscatal.3c02743

Masalah inti

Rekayasa protein bertujuan merancang biokatalis dengan sifat yang lebih baik untuk aplikasi di industri, kedokteran, dan penelitian. Metode tradisional mengandalkan directed evolution dan desain rasional, tetapi metode ini sering memakan waktu dan sumber daya. Kemajuan terkini dalam machine learning (ML) menawarkan alternatif yang menjanjikan dengan memanfaatkan data eksperimen dan simulasi yang ada untuk memprediksi mutasi yang menguntungkan, menganotasi fungsi enzim, dan memandu penemuan biokatalis baru. Perspektif ini memberikan gambaran tentang keadaan rekayasa protein berbantuan ML saat ini, menyoroti pencapaian utama dan tantangan yang masih berlangsung.

Inovasi

Penerapan ML dalam rekayasa protein melibatkan beberapa langkah kunci: pengumpulan data dari sumber eksperimen dan simulasi, representasi fitur protein (misalnya sekuens, struktur, dinamika), pemilihan model (misalnya neural network, Gaussian process, random forest), dan prediksi sifat seperti efisiensi katalitik, enantioselektivitas, stabilitas, kelarutan, dan kecenderungan agregasi. Pendekatan yang umum meliputi supervised learning pada dataset mutasi, unsupervised learning untuk representation learning, dan reinforcement learning untuk desain iteratif. Para penulis menekankan pentingnya mengintegrasikan pengetahuan domain dan validasi eksperimental yang ketat untuk memastikan keandalan model.

Pendahuluan

Rekayasa protein bertujuan merancang biokatalis dengan sifat yang lebih baik untuk aplikasi di industri, kedokteran, dan penelitian. Metode tradisional mengandalkan directed evolution dan desain rasional, tetapi metode ini sering memakan waktu dan sumber daya. Kemajuan terkini dalam machine learning (ML) menawarkan alternatif yang menjanjikan dengan memanfaatkan data eksperimen dan simulasi yang ada untuk memprediksi mutasi yang menguntungkan, menganotasi fungsi enzim, dan memandu penemuan biokatalis baru. Perspektif ini memberikan gambaran tentang keadaan rekayasa protein berbantuan ML saat ini, menyoroti pencapaian utama dan tantangan yang masih berlangsung.

Mengapa penting

Meskipun menjanjikan, rekayasa protein berbantuan ML menghadapi beberapa tantangan. Kelangkaan dan bias data menjadi masalah utama, karena dataset yang tersedia sering kali kecil dan condong ke keluarga protein tertentu. Interpretabilitas model menjadi perhatian lain, karena model black-box mungkin tidak memberikan wawasan mekanistik. Selain itu, kesenjangan antara prediksi in silico dan kinerja in vivo menuntut validasi eksperimental yang menyeluruh. Para penulis berpendapat bahwa kemajuan di masa depan akan bergantung pada pengembangan model yang lebih tangguh dan dapat digeneralisasi, integrasi data multi-omik, serta kolaborasi antara ilmuwan komputasi dan eksperimental. Mereka juga menyarankan eksplorasi transfer learning dan model generatif untuk merancang protein dengan fungsi baru.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten member…