Nieuwe doorbraak: PepFlow-model overtreft Google AI in voorspellen van peptidestructuren

AmsterdamOnderzoekers van de Universiteit van Toronto hebben een nieuw model voor deep learning ontwikkeld genaamd PepFlow. Dit model kan voorspellen welke verschillende vormen peptiden kunnen aannemen. Peptiden zijn ketens van aminozuren die korter zijn dan eiwitten maar vergelijkbare functies hebben. Ze zijn zeer flexibel en kunnen veel verschillende vormen aannemen.

PepFlow combineert machinaal leren en fysica om inzicht te krijgen in de vouwing van peptiden. Met behulp van deep learning kan het in enkele minuten de vormen van peptiden snel en nauwkeurig bepalen. Deze innovatieve methode kan bijdragen aan de ontwikkeling van medicijnen door peptiden te ontwerpen die als bindmiddelen fungeren.

Hier zijn enkele belangrijke kenmerken van PepFlow:

• Voorspelt alle mogelijke peptidevormen
• Combineert machine learning met natuurkunde
• Legt peptideconformaties vast binnen enkele minuten
• Bruikbaar bij medicijnontwikkeling

De driedimensionale vorm van een peptide is cruciaal voor zijn functie. Hoe het zich vouwt, beïnvloedt de manier waarop het verbinding maakt en samenwerkt met andere moleculen. Hierdoor zijn peptides essentieel voor talrijke biologische processen en medicijnen. Zo worden bijvoorbeeld GLP1-analogen zoals Ozempic ingezet voor de behandeling van diabetes en obesitas.

PepFlow is gespecialiseerd in peptiden, essentiële biologische moleculen. Het nieuwe model presteert beter dan Google's AlphaFold2 omdat het meerdere vormen voor één peptide kan creëren, iets waarvoor AlphaFold2 niet ontworpen is.

Lees ook:

Gisteren · 08:55

Nvidia imponeert, maar Aziatische beurs reageert aarzelend op concurrentie.

Professor Philip M. Kim van de Universiteit van Toronto leidde het onderzoek. Hij legde uit dat ze tot nu toe niet het volledige scala aan peptidevormen hadden kunnen bestuderen. Kim geeft ook les in computerwetenschappen aan de Faculteit der Letteren & Wetenschappen van de universiteit.

PepFlow valt op door zijn unieke technologische kenmerken. Het put inspiratie uit Boltzmann-generatoren, geavanceerde machine learning-modellen gebaseerd op natuurkunde. PepFlow kan peptidestructuren modelleren die ongebruikelijke vormen aannemen, zoals ringachtige structuren die door macrocyclisatie ontstaan. Deze peptide-macrocycli hebben potentieel voor de ontwikkeling van nieuwe medicijnen.

PepFlow heeft enkele beperkingen. Omdat dit de eerste versie is, kan deze nog verbeterd worden. De auteurs hebben verschillende manieren genoemd om PepFlow te verbeteren.

• Model trainen met expliciete gegevens voor oplosmiddelatomen
• Verbeteren van beperkingen op de afstand tussen atomen in ringachtige structuren

PepFlow is ontwikkeld om eenvoudig nieuwe functies en informatie toe te voegen. Het ontwikkelen nam tweeënhalf jaar in beslag, en het trainen duurde een maand. Hoofdauteur van de studie, Osama Abdin, verklaarde dat de inspanning de moeite waard was om een model te creëren dat meerdere structuren kan voorspellen.

Het onderzoek werd gepubliceerd in Nature Machine Intelligence. Dit model is een nuttig en efficiënt hulpmiddel dat kan bijdragen aan de ontwikkeling van behandelingen gebaseerd op peptidebinding. Inzicht in de energiepatronen van peptides levert belangrijke informatie op over hun functie en toepassingsmogelijkheden in de geneeskunde.