Ny studie: djupinlärningsmodell överträffar Google AI i att förutsäga peptidstrukturer

StockholmForskare vid University of Toronto har utvecklat en ny djupinlärningsmodell kallad PepFlow. Denna modell kan förutse de olika former som peptider kan anta. Peptider är kedjor av aminosyror som är kortare än proteiner men har liknande funktioner. De är mycket flexibla och kan anta många olika strukturer.

PepFlow använder maskininlärning och fysik för att förstå hur peptider veckas. Det utnyttjar djupinlärning för att snabbt och exakt fastställa peptidernas former på några minuter. Denna nya metod kan vara till hjälp vid läkemedelsutveckling genom att designa peptider som fungerar som bindare.

Här är några viktiga egenskaper hos PepFlow:

• Förutser alla tänkbara peptidstrukturer
• Kombinerar maskininlärning med fysik
• Tar bara några minuter för att fånga peptidkonformationer
• Användbart inom läkemedelsutveckling

En peptids tredimensionella form är avgörande för dess funktion. Hur den viker sig påverkar hur den interagerar och fungerar med andra molekyler. Detta gör peptider viktiga för många biologiska processer och läkemedel. Till exempel används GLP-1-analoger som Ozempic för att behandla diabetes och fetma.

PepFlow är specialiserat på peptider, som är viktiga biologiska molekyler. Den nya modellen överträffar Googles AlphaFold2 eftersom den kan generera flera former av en enskild peptid. AlphaFold2 var inte designad för att göra detta.

Läs också:

Idag · 14:35

AI-genererad ryggsmärthjälp: lika bra som läkare

Professor Philip M. Kim vid University of Toronto ledde forskningen. Han förklarade att de hittills inte kunnat studera hela spektrumet av peptidformer. Kim undervisar också i datavetenskap vid konst- och vetenskapsfakulteten på universitetet.

PepFlow utmärker sig tack vare sina unika tekniska egenskaper. Det hämtar idéer från Boltzmann-generatorer, som är avancerade maskininlärningsmodeller baserade på fysik. PepFlow kan modellera peptidstrukturer som antar ovanliga former, såsom ringliknande strukturer som skapas genom makrocyklisering. Dessa peptidmakrocykler har potential för utveckling av nya läkemedel.

PepFlow har vissa begränsningar. Eftersom det är den första versionen finns det utrymme för förbättringar. Författarna har nämnt flera sätt att göra PepFlow bättre.

• Träna modellen med tydlig data för lösningsmedelsatomer
• Förbättra begränsningarna för avståndet mellan atomer i ringstrukturer

PepFlow är utformad för att enkelt kunna uppgraderas med nya funktioner och information. Utvecklingen tog två och ett halvt år, och träningen tog en månad. Osama Abdin, huvudförfattaren av studien, påpekade att ansträngningen var värd det för att skapa en modell som kan förutse mer än en struktur.

Studien publicerades i Nature Machine Intelligence. Denna modell är ett användbart och effektivt verktyg som kan bidra till utvecklingen av behandlingar baserade på peptidbindning. Att förstå peptidernas energimönster ger viktig information om deras funktion och hur de kan användas inom medicin.