Nowe badanie: model głębokiego uczenia przewyższa Google AI w przewidywaniu struktur peptydów

WarsawNaukowcy z Uniwersytetu w Toronto opracowali nowy model oparty na uczeniu głębokim o nazwie PepFlow. Model ten potrafi przewidywać różne formy, jakie mogą przyjmować peptydy. Peptydy to łańcuchy aminokwasów, które są krótsze od białek, ale pełnią podobne funkcje. Charakteryzują się dużą elastycznością i mogą przybierać wiele różnych kształtów.

PepFlow wykorzystuje uczenie maszynowe i zasady fizyki do analizy procesu fałdowania peptydów. Dzięki zastosowaniu głębokiego uczenia, jest w stanie szybko i precyzyjnie określać kształty peptydów w ciągu kilku minut. Ta nowa metoda może wspierać rozwój leków poprzez projektowanie peptydów, które działają jako wiążące cząsteczki.

Oto kilka kluczowych cech PepFlow:

• Przewiduje wszystkie możliwe kształty peptydów
• Łączy uczenie maszynowe z fizyką
• Zajmuje minuty, aby uchwycić konformacje peptydów
• Przydatne w rozwoju leków

Trójwymiarowy kształt peptydu ma kluczowe znaczenie dla jego funkcji. Sposób, w jaki się zwija, wpływa na jego zdolność do łączenia się i współdziałania z innymi cząsteczkami. Dzięki temu peptydy odgrywają istotną rolę w wielu procesach biologicznych i jako leki. Na przykład, analogi GLP1, takie jak Ozempic, stosowane są w leczeniu cukrzycy i otyłości.

PepFlow specjalizuje się w peptydach, które są istotnymi cząsteczkami biologicznymi. Nowy model przewyższa AlphaFold2 od Google, ponieważ potrafi generować wiele kształtów dla pojedynczego peptydu. AlphaFold2 nie był zaprojektowany do tego celu.

Zobacz również:

Wczoraj · 15:27

USA przodują w innowacjach AI, dystansując Chiny w rankingu Stanforda

Profesor Philip M. Kim z Uniwersytetu w Toronto kierował badaniami. Wyjaśnił, że do tej pory nie mogli badać pełnego spektrum kształtów peptydów. Kim jest także wykładowcą informatyki na Wydziale Sztuki i Nauki tej uczelni.

PepFlow wyróżnia się dzięki swoim unikalnym cechom technologicznym. Inspiruje się generatorami Boltzmanna, zaawansowanymi modelami uczenia maszynowego opartymi na fizyce. PepFlow potrafi modelować struktury peptydowe o niezwykłych kształtach, takich jak struktury pierścieniowe powstałe poprzez makrocyklizację. Te makrocykle peptydowe mają potencjał w rozwoju nowych leków.

PepFlow ma pewne ograniczenia. Będąc pierwszą wersją, można go udoskonalić. Autorzy wskazali kilka sposobów na poprawę PepFlow.

• Ucz model z danymi uwzględniającymi atomy rozpuszczalnika
• Udoskonal ograniczenia dotyczące odległości między atomami w strukturach pierścieniowych

Projekt PepFlow został stworzony tak, aby można go było łatwo rozbudowywać o nowe funkcje i informacje. Jego opracowanie zajęło dwa i pół roku, a trening trwał miesiąc. Osama Abdin, główny autor badania, zaznaczył, że cały wysiłek był tego wart, aby stworzyć model zdolny do przewidywania więcej niż jednej struktury.

Badanie opublikowano w Nature Machine Intelligence. Ten model to przydatne i efektywne narzędzie, które może pomóc w opracowywaniu terapii opartych na wiązaniu peptydów. Znajomość wzorów energetycznych peptydów dostarcza cennych informacji na temat ich funkcji oraz zastosowania w medycynie.