北京
一个人工引导的分子设计工作流程识别出了针对FAP的强结合蛋白，FAP是与实体瘤相关的一个靶点。
谷歌研究人员开发出一种方法，可将蛋白质结构预测速度提高8.6倍，这有可能加速靶向癌症疗法的分子发现。
研究人员利用该方法设计了能与成纤维细胞活化蛋白α（FAP）紧密结合的蛋白质，FAP是一种与实体瘤相关的分子。此类结合物最终可能帮助研究人员开发更精准靶向癌症相关组织的治疗方法。这些结果是在计算设计候选分子之后，通过实验室实验获得的。
这项工作属于谷歌研究的三个项目，这些项目探索人工智能智能体如何设计生物分子、分析实验结果并与实验室设备协同工作。这些项目还展示了在DNA分子发现和机器人实验方面的改进。
谷歌表示，该研究旨在减少测试生物设计所需的时间和计算资源。然而，这些系统仍处于实验阶段，这些蛋白结合物尚未被证明可作为癌症治疗方法。
更快的蛋白质结构预测
设计一种附着到特定生物靶标的蛋白质，需要研究人员预测分子如何折叠和相互作用。这包括生成候选蛋白质结构、设计序列，并检查所得分子是否可能结合。
最终预测阶段可能消耗大量算力，尤其当靶蛋白较大时。
谷歌研究人员开发了一种名为“手术式表位切除”的技术，该技术将结构预测聚焦于设计蛋白预期附着的局部区域，而不是处理整个靶标。
据谷歌称，在测试中，该方法将结构预测加速了8.6倍，且未牺牲结构准确性。
研究人员将该方法应用于FAP，使用酵母表面展示和荧光激活细胞分选来筛选工程化候选蛋白。这些技术使研究人员能够检查大量蛋白质变体，并识别出与靶标结合的那些。
经实验测试的最强设计达到个位数纳摩尔结合亲和力，表明分子间相互作用紧密。在另一项使用同等计算资源的计算比较中，与智能体合作的科学家所获得的预测命中率几乎是单独工作的科学家的两倍。
这些发现涉及早期分子设计。研究人员尚未确定这些结合物能否安全或有效地治疗癌症。
机器人从实验中学习
另一个谷歌项目测试了智能体能否改进DNA适配体，这是一种短分子，可折叠成能够附着到特定蛋白质的形状。
研究人员针对肌红蛋白和α-凝血酶进行了三轮设计与测试。每轮耗时7至10天，涉及合成DNA候选物、测试其结合行为，并利用测序结果指导后续设计。
到第三轮时，经确认的在靶命中率在肌红蛋白上达到33.5%，在α-凝血酶上达到42.1%。后者实现了98.5%的特异性。
谷歌还推出了VERID，这是一种数字实验室模型，可跟踪机器人设备、液体体积和实验材料。它允许智能体在向实验室机器人发送命令之前模拟操作流程并检测潜在错误。
在一项染料混合实验中，一个智能体利用重复的机器人测试和摄像头反馈，将重建准确度提高了五倍以上。
这三个项目仍是相互独立的演示。谷歌计划将其机器人控制框架与分子发现工作流程结合起来，并在整个过程中保留人工监督和生物安全筛查。
如果朋友们喜欢，敬请关注“知新了了”！
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
