Nuovo modello supera l'AI di Google nella previsione delle strutture peptidiche: ecco PepFlow

RomeRicercatori dell'Università di Toronto hanno sviluppato un modello di apprendimento profondo chiamato PepFlow, in grado di prevedere le diverse forme che possono assumere i peptidi. I peptidi sono catene di aminoacidi più corte delle proteine ma con funzioni simili. Sono molto flessibili e possono adottare molteplici configurazioni.

PepFlow sfrutta l'apprendimento automatico e la fisica per comprendere il modo in cui i peptidi si piegano. Utilizzando il deep learning, è in grado di determinare rapidamente e con precisione le forme dei peptidi in pochi minuti. Questo metodo innovativo potrebbe potenziare lo sviluppo di farmaci, progettando peptidi che agiscono come leganti.

Caratteristiche principali di PepFlow:

• Interfaccia intuitiva e facile da usare
• Elevata capacità di personalizzazione
• Prestazioni ottimizzate per grandi volumi di dati
• Sicurezza avanzata per la protezione dei dati
• Integrazione fluida con altri software aziendali
• Supporto tecnico specializzato e disponibile 24/7

• Prevede tutte le possibili forme dei peptidi
• Unisce apprendimento automatico e fisica
• Richiede pochi minuti per catturare le conformazioni peptidiche
• Utile nello sviluppo di farmaci

La forma tridimensionale di un peptide è cruciale per la sua funzione. Il modo in cui si piega influisce su come si connette e interagisce con altre molecole. Questo rende i peptidi fondamentali per numerosi processi biologici e per lo sviluppo di farmaci. Ad esempio, gli analoghi del GLP1 come Ozempic vengono utilizzati per trattare il diabete e l'obesità.

PepFlow è specializzata in peptidi, molecole biologiche cruciali. Il nuovo modello supera AlphaFold2 di Google, poiché è in grado di generare più conformazioni per un singolo peptide, cosa che AlphaFold2 non era progettato per fare.

Leggi anche:

21 novembre 2024 · 15:27

Gli Stati Uniti dominano l'innovazione AI, la Cina insegue nel ranking di Stanford

Il professor Philip M. Kim dell'Università di Toronto ha guidato lo studio. Ha spiegato che fino a ora non era stato possibile esaminare l'intera gamma di forme dei peptidi. Kim insegna anche informatica presso la Facoltà di Arti e Scienze dell'università.

PepFlow si distingue per le sue caratteristiche tecnologiche innovative. Trae ispirazione dai generatori di Boltzmann, modelli avanzati di machine learning basati sulla fisica. PepFlow è in grado di modellare strutture peptidiche che assumono forme insolite, come strutture ad anello create tramite la macrocyclizzazione. Questi macrocilci peptidici potrebbero essere fondamentali per lo sviluppo di nuovi farmaci.

PepFlow presenta alcune limitazioni. Essendo la versione iniziale, ci sono margini di miglioramento. Gli autori hanno indicato diverse modalità per rendere PepFlow più efficace.

• Addestrare il modello con dati specifici per gli atomi del solvente
• Migliorare i vincoli sulla distanza tra gli atomi nelle strutture ad anello

PepFlow è stato progettato per essere facilmente aggiornabile con nuove funzionalità e informazioni. Lo sviluppo ha richiesto due anni e mezzo, mentre l'addestramento è durato un mese. Osama Abdin, l'autore principale dello studio, ha sottolineato che lo sforzo è stato ripagato per creare un modello capace di prevedere più di una struttura.

Lo studio è stato pubblicato sulla rivista Nature Machine Intelligence. Questo modello rappresenta uno strumento utile ed efficiente per sviluppare trattamenti basati sul legame dei peptidi. Comprendere i modelli energetici dei peptidi fornisce informazioni preziose sulla loro funzione e sul loro potenziale utilizzo in medicina.