Моделювання згортання білків з використанням методів машинного навчання

DOI: 10.31673/2412-9070.2025.029944

Анотація

У статті висвітлено сучасні підходи до моделювання згортання білків із використанням методів машинного навчання — напряму, який стрімко розвивається на стику біоінформатики, фізики та штучного інтелекту. Метою статті є систематизація існуючих підходів до моделювання згортання білків із використанням машинного навчання, визначення переваг і обмежень сучасних методик, а також виявлення напрямів для подальших досліджень у цій галузі.
Прогнозування тривимірної структури білків на основі амінокислотної послідовності залишається складним завданням, оскільки структура білка визначає його функцію в клітині, а її неправильне згортання часто призводить до важких захворювань. У роботі розглянуто найуспішніші моделі глибинного навчання, зокрема AlphaFold, MSA Transformer та ультраглибинні нейронні мережі, які продемонстрували здатність до високоточного передбачення білкових структур на основі аналізу еволюційних залежностей та контактних карт.
Окрему увагу приділено обмеженням таких методів, зокрема їхній складності в обробці динамічних процесів та неврахуванню стохастичної природи білкових взаємо дій. У цьому контексті автором запропоновано інноваційний підхід, що полягає в інтеграції квантово-механічних моделей, зокрема механізму колапсу хвильової функції, у класичні алгоритми машинного навчання. Такий підхід дозволяє врахувати ймовірнісні переходи між конформаційними станами білка та мінімізувати вільну енергію системи. Подано математичні формалізації та приклади реалізації на основі методу Монте-Карло.
Запропонована інтегрована модель демонструє підвищену точність прогнозування (до 95%) порівняно з існуючими рішеннями. Її застосування є перспективним у персоналізованій медицині (аналіз впливу мутацій на білкову структуру), фармакології (вдосконалення дизайну ліків), промисловій біотехнології (оптимізація ферментів), а також у дослідженнях складних білкових комплексів. Робота формує наукове підґрунтя для створення нових інтелектуальних інструментів, які поєднують структурне передбачення з аналізом функціональної активності, що відкриває нові горизонти для розвитку біоінформатики та суміжних галузей.

Ключові слова: білки; згортання білків; машинне навчання; квантова механіка; глибинні нейронні мережі; колапс хвильової функції; біоінформатика; прогнозування структури білків; рекурентні нейронні мережі; конволюційні нейронні мережі.