Strona główna » Ai e-book o sztucznej inteligencji » Google Deepmind pokazuje następną generację AlphaFold

Google Deepmind pokazuje następną generację AlphaFold

by kapdes
AlphaFold

Zespół Google Deepmind AlphaFold i Isomorphic Labs zaprezentował model AlphaFold

W nowym badaniu Deepmind i partnerów z Isomorphic Labs pokazują wczesne wyniki nowej wersji AlphaFold, która przybliża w pełni zautomatyzowane przewidywanie struktury cząsteczek biologicznych.

Zespół Google Deepmind AlphaFold i Isomorphic Labs zaprezentował dziś najnowszy model AlphaFold. Według firm, zaktualizowany model może teraz przewidywać strukturę prawie każdej cząsteczki w Banku Danych Białek (PDB), często z atomową dokładnością. Rozwój ten jest ważnym krokiem w kierunku lepszego zrozumienia złożonych mechanizmów biologicznych w komórkach.

Od czasu swojej premiery w 2020 r. AlphaFold wpłynął na przewidywanie struktury białek na całym świecie. Najnowsza wersja modelu wykracza poza białka i obejmuje szeroki zakres biologicznie istotnych cząsteczek, takich jak ligandy, kwasy nukleinowe i modyfikacje potranslacyjne. Struktury te mają kluczowe znaczenie dla zrozumienia mechanizmów biologicznych w komórkach i według Deepmind były trudne do przewidzenia z dużą dokładnością.

AlphaFold firmy Deepmind przewyższa wyspecjalizowane modele predykcyjne

W przewidywaniu interakcji białko-ligand, AlphaFold przewyższa konwencjonalne metody o około 20 procent i może również przewidywać całkowicie nowe białka, które nie zostały jeszcze scharakteryzowane strukturalnie. Dokładność dla interfejsów białko-białko również uległa poprawie, w niektórych przypadkach znacznie, w porównaniu z poprzednimi wersjami, szczególnie w niektórych kategoriach, takich jak struktury wiążące przeciwciała.

W przypadku interfejsów białko-kwas nukleinowy nowa wersja AlphaFold przewyższa konkurencyjne systemy, takie jak RoseTTAFold2NA, podczas gdy w przypadku przewidywania struktury RNA przewyższa inne zautomatyzowane metody, ale pozostaje nieco w tyle za najlepszymi uczestnikami CASP15 korzystającymi z ręcznej interwencji ludzkich ekspertów. Ulepszony model AlphaFold może mieć zatem znaczący wpływ na odkrywanie leków, gdzie ważne jest przewidywanie istotnych struktur, takich jak wiązanie przeciwciał i wiązanie białko-ligand.

Nowa wersja AlphaFold przybliża w pełni zautomatyzowane przewidywanie struktur

Chociaż przedstawiony model jest nadal aktywnie rozwijany, zespół uważa, że już teraz pokazuje, że obliczeniowe przewidywanie struktury ogólnych biomolekuł jest możliwe przy użyciu modeli uczenia maszynowego, takich jak AlphaFold, i otwiera wiele ekscytujących przyszłych możliwości badawczych w celu zrozumienia biologii.

Cel w pełni zautomatyzowanego przewidywania struktury bezpośrednio z sekwencji jest teraz o krok bliżej.

Źródło:
deepmind.google/discover/blog/a-glimpse-of-the-next-generation-of-alphafold/
storage.googleapis.com/deepmind-media/DeepMind.com/Blog/a-glimpse-of-the-next-generation-of-alphafold/alphafold_latest_oct2023.pdf

Pozostałe artykuły