AI tegnede et nyt kort over livets proteiner

Et protein begynder som en kæde af aminosyrer. Men kædens rækkefølge fortæller ikke umiddelbart, hvordan den ser ud i tre dimensioner. Den rumlige form har betydning for, hvad proteinet kan gøre, og hvilke andre molekyler det kan møde. Derfor har struktur været et centralt spørgsmål i biologien længe før den moderne bølge af kunstig intelligens.

Fra bogstavrække til rumlig model

AlphaFold er et AI-system, som kan forudsige proteinstrukturer ud fra blandt andet aminosyresekvenser. DeepMind og det europæiske bioinformatikinstitut EMBL-EBI gjorde i 2022 over 200 millioner forudsagte strukturer tilgængelige i en offentlig database. Det udvidede dramatisk forskeres adgang til mulige strukturelle udgangspunkter.

Ordet forudsagt er afgørende. En model fra databasen er ikke det samme som en struktur, der er målt direkte i et eksperiment. Den kan være meget nyttig, men den besvarer ikke automatisk alle spørgsmål om proteinets funktion. Et smukt molekylebillede kan få denne forskel til at forsvinde, hvis man kun ser på visualiseringen.

Usikkerheden er en del af svaret

AlphaFold leverer derfor også mål for modellens sikkerhed. Et af dem, pLDDT, beskriver den lokale tillid til forskellige dele af strukturen. Et andet, PAE, hjælper med at vurdere den indbyrdes placering af større dele. En model kan have en troværdig del og en usikker del på samme tid.

Det er en vigtig måde at læse AI-resultater på. Spørgsmålet er ikke kun, om systemet er godt eller dårligt. Man må spørge, hvilke dele af netop dette svar der er understøttet, og hvilken anvendelse man har i tankerne. En model kan være tilstrækkelig til at foreslå et nyt forsøg uden at være tilstrækkelig til en detaljeret forklaring af en kemisk mekanisme.

Proteiner står ikke stille

Et andet forbehold er bevægelse. Biologiske molekyler kan skifte form og indgå i forskellige sammenhænge. En enkelt beregnet struktur er derfor ikke en film af alt, hvad proteinet gør. EMBL-EBI fremhæver også for nyere AlphaFold-systemer, at dynamisk adfærd og forskellige tilstande fortsat kan være vanskelige at beskrive.

For forskeren kan værdien være, at søgningen bliver mere fokuseret. En foreslået foldning kan pege på et område, der er værd at undersøge, eller hjælpe med at fortolke andre data. Det næste skridt kan være at sammenligne med eksperimenter, ændre bestemte aminosyrer eller undersøge proteinets samspil med andre molekyler.

Historien er dermed mere interessant end forestillingen om, at en maskine har gjort laboratoriet overflødigt. AI kan ændre, hvilke spørgsmål der er praktiske at stille, og hvor hurtigt man kan komme frem til en testbar idé. Men forskellen mellem et sandsynligt forslag og dokumenteret biologisk viden består. Det er netop samspillet mellem beregning og eksperiment, som gør værktøjet værdifuldt.