Katso Generatiivinen tekoäly suunnittelee mukautetun proteiinin sekunneissa

Katso Generatiivinen tekoäly suunnittelee mukautetun proteiinin sekunneissa

Aikaleima: 7. syyskuuta 2023 1
Katso Generatiivinen tekoäly Suunnittele räätälöity proteiini sekunneissa PlatoBlockchain Data Intelligence. Pystysuuntainen haku. Ai.

Vuoden 2020 lopulla tekoälyn edelläkävijä DeepMind saavutti läpimurron 50 vuoden ajan. Ennakoimalla proteiinien muodon atomin tarkkuudella, sen syväoppimisalgoritmi, AlphaFold, kaikki paitsi ratkaisi yhden biologian suurista haasteista.

Aineenvaihdunnasta aivotoimintaan proteiinit ovat molekyylejä, jotka saavat kehomme toimimaan. Kun he menevät pieleen, asiat hajoavat ja me kärsimme. Suuri osa nykyaikaisesta lääketieteestä keskittyy tähän sairauden osa-alueeseen: toimintahäiriöisen proteiinin syyllisen tunnistamiseen ja sen käyttäytymisen muokkaamiseen toisella molekyylillä, joka on erityisesti valittu olemaan vuorovaikutuksessa sen kanssa – lääkkeellä.

Asia on, proteiinit ovat erittäin monimutkaisia. Ne koostuvat sadoista tai tuhansista aminohapoiksi kutsutuista molekyylirakenteista ja muodostavat pitkiä nauhamaisia ​​ketjuja, jotka taittuvat itseensä vivahteilla. Näihin laskoksiin kätkeytyy aktiivisia kohtia, jotka antavat proteiinille sen tehtävän liittymällä muihin proteiineihin tai katalysoimalla kemiallisia reaktioita.

Tehokkaiden lääkkeiden suunnittelu riippuu proteiinin muodon, sen toiminnallisten kohtien ennustamisesta ja toisen proteiinin tai molekyylin tunnistamisesta, joka voi kiinnittyä niihin.

AlphaFold, AlphFold 2 ja algoritmi nimeltä RoseTTAFold, jonka on kehittänyt Baker Lab Washingtonin yliopistossa, otti ratkaisevia askeleita nopeuttaakseen tätä prosessia. Vuoden 2022 puoliväliin mennessä DeepMind sanoi, että AlphaFold 2:lla oli ennusti 200 miljoonan proteiinin rakenteen-lähes kaikki tiedossa olevat - ja tarjosivat niitä avoimessa tietokannassa.

Mutta se ei päättynyt siihen. The luominen proteiinirakenteiden kehittäminen on sittemmin noussut keskipisteeseen. Nämä uudemmat algoritmit ovat samassa perheessä kuin DALL-E ja GPT-4 – ChatGPT:n takana oleva algoritmi – vain sen sijaan, että luotaisiin kuvia tai kirjoitettuja kohtia. ne tuottavat uusia proteiineja.

Erityisesti Baker Lab on kehittänyt RoseTTAFoldia proteiinien suunnittelussa. Tänä kesänä, vuonna julkaistussa paperissa luonto, tiimi sanoi, että heidän uusin algoritminsa, RFdiffusion, oli nopeampi ja tarkempi. Algoritmi voi tuottaa 100 aminohapon proteiinin 11 sekunnissa Nvidia-sirulle verrattuna 8.5 minuuttiin vanhemmalla algoritmilla. RF-diffuusio on myös noin 100 kertaa tehokkaampi uusien proteiinien tuottamisessa, jotka sitoutuvat voimakkaasti tunnettujen proteiinien kiinnostaviin kohtiin.

"Tavalla, joka muistuttaa kuvien luomista tekstikehotteista, RF-diffuusio mahdollistaa toiminnallisten proteiinien luomisen minimaalisilla molekyylispesifikaatioilla minimaalisella erikoistiedolla", ryhmä kirjoitti heinäkuun lehdessä.

Kaikkea tätä voi olla vaikea visualisoida. Mikään ei korvaa näiden algoritmien näkemistä toiminnassa. Syy, miksi ChatGPT oli virushitti, ei johtunut siitä, että se olisi nollasta yhteen läpimurto – tekniikka oli kehittynyt entistä kehittyneempään useiden vuosien ajan – vaan pikemminkin se, että se oli yksinkertainen portaali, jonka kautta me kaikki pystyimme kokemaan tuon hienostuneisuuden suoraan.

Onneksi täällä meillä on visuaalinen näkemys pisteen lyömiseksi. Alla oleva video, jonka ansiot ovat Ian C. Haydon ja Washingtonin yliopiston proteiinisuunnittelun instituutti, esittää RF-diffuusiota työssään ja suunnittelee proteiinin tiettyyn insuliinireseptorin kohtaan sekunneissa.

Tietenkin on vielä paljon tehtävää – tehokkaiden uusien lääkkeiden suunnittelu on vaikea, vuosia kestävä prosessi – mutta on selvää, että tekoälytyökalut jatkavat nopeaa edistymistä biotekniikassa.

Kuva pistetilanne: Baker Lab / Washingtonin yliopisto

Aikaleima:

Lisää aiheesta Singulaarisuus Hub