Wat as wy keunstmjittige yntelliginsje koenen brûke om ien fan 'e grutste mystearjes fan it libben te beantwurdzjen - proteinfolding? Wittenskippers wurkje hjir al tsientallen jierren oan.
Masines kinne no proteïnestruktueren foarsizze mei geweldige presyzje mei gebrûk fan modellen foar djippe learen, feroaring fan medisynûntwikkeling, biotechnology, en ús kennis fan fûnemintele biologyske prosessen.
Doch mei my op in ferkenning yn it yntrigearjende ryk fan AI-proteïnefolding, wêr't avansearre technology botst mei de kompleksiteit fan it libben sels.
It mystearje fan proteïnefolding ûntrafelje
Proteins wurkje yn ús lichems as lytse masines om krúsjale taken út te fieren lykas iten ôfbrekke of soerstof ferfiere. Se moatte goed wurde fold foar har om effektyf te funksjonearjen, krekt as in kaai moat wurde knipt goed om te passen yn in slot. Sadree't it proteïne is makke, begjint in heul yngewikkeld faltproses.
Proteinfolding is it proses wêrby't lange keatlingen fan aminosoeren, de boustiennen fan it proteïne, foldje yn trijediminsjonale struktueren dy't de funksje fan it proteïne diktearje.
Tink oan in lange string fan kralen dy't moatte wurde besteld yn in krekte foarm; dit is wat bart as in proteïne falt. Dochs, yn tsjinstelling ta kralen, hawwe aminosoeren unike skaaimerken en ynteraksje mei-inoar op ferskate manieren, wêrtroch proteïnefolding in kompleks en gefoelich proses makket.
De foto hjir stiet foar minsklike hemoglobine, dat is in bekend fold protein
Proteins moatte fluch en krekt foldje, oars wurde se ferkeard en defekt. Dat kin liede ta sykten lykas Alzheimer en Parkinson. Temperatuer, druk en de oanwêzigens fan oare molekulen yn 'e sel hawwe allegear in effekt op it faltproses.
Nei tsientallen jierren fan ûndersyk besykje wittenskippers noch hieltyd út te finen hoe't aaiwiten foldje.
Gelokkich ferbetterje foarútgong yn keunstmjittige yntelliginsje de ûntwikkeling yn 'e sektor. Wittenskippers kinne de struktuer fan aaiwiten sekuer antisipearje dan ea earder troch te brûken masine learen algoritmen om massive voluminten gegevens te ûndersykjen.
Dit hat it potensjeel om medikaasjeûntwikkeling te feroarjen en ús molekulêre kennis fan 'e sykte te fergrutsjen.
Kinne masines better prestearje?
Konvinsjonele proteinfoldingstechniken hawwe beheiningen
Wittenskippers hawwe al tsientallen jierren besocht om proteïnefolding út te finen, mar de yngewikkeldheid fan it proses hat dit in útdaagjend ûnderwerp makke.
Konvinsjonele oanpak foar foarsizzing fan proteïnestruktuer brûke in kombinaasje fan eksperimintele metodologyen en komputermodellering, lykwols, dizze metoaden hawwe allegear neidielen.
Eksperimintele techniken lykas röntgenkristallografy en nukleêre magnetyske resonânsje (NMR) kinne tiidslinend en kostber wêze. En komputermodellen fertrouwe soms op ienfâldige oannames, dy't liede kinne ta ferkearde foarsizzings.
AI kin dizze obstakels oerwinne
Lokkich, keunstmjittige yntelliginsje jout frisse belofte foar krekter en effisjinter foarsizzing fan proteïnestruktuer. Masine-learalgoritmen kinne massive voluminten gegevens ûndersykje. En se ûntdekke patroanen dy't minsken soene misse.
Dit hat resultearre yn 'e skepping fan nije software-ark en platfoarms dy't by steat binne om proteïnestruktuer te foarsizzen mei ongeëvenaarde presyzje.
De meast tasizzende masine-learalgoritmen foar foarsizzing fan proteïnestruktuer
It AlphaFold-systeem boud troch Google's Deepmind team is ien fan de meast kânsrike foarútgong yn dit gebiet. It hat de lêste jierren grutte foarútgong krigen troch te brûken djippe learalgoritmen om de struktuer fan aaiwiten te foarsizzen op basis fan har aminosoerensekwinsjes.
Neurale netwurken, stipe-fektormasines, en willekeurige bosken binne ûnder mear masine-learenmetoaden dy't belofte toane foar it foarsizzen fan proteïnestruktuer.
Dizze algoritmen kinne leare fan enoarme datasets. En se kinne de korrelaasjes tusken ferskate aminosoeren antisipearje. Dus, lit ús sjen hoe't it wurket.
Ko-evolúsjonêre analyzes en de earste AlphaFold-generaasje
It sukses fan AlphaFold is boud op in djip neural netwurkmodel dat waard ûntwikkele mei gebrûk fan ko-evolúsjonêre analyse. It konsept fan ko-evolúsje stelt dat as twa aminosoeren yn in proteïne mei-inoar ynteraksje, sille se tegearre ûntwikkelje om har funksjonele keppeling te hâlden.
Undersikers kinne ûntdekke hokker pearen fan aminosoeren wierskynlik yn kontakt komme yn 'e 3D-struktuer troch de aminosoeren-sekwinsjes fan ferskate ferlykbere aaiwiten te fergelykjen.
Dizze gegevens tsjinnet as de basis foar de earste iteraasje fan AlphaFold. It foarsizze de lingten tusken aminosoeren pearen lykas de hoeken fan de peptide obligaasjes dy't keppele harren. Dizze metoade prestearre alle eardere oanpakken foar it foarsizzen fan proteïnestruktuer út sekwinsje, hoewol de krektens noch beheind wie foar aaiwiten sûnder skynbere sjabloanen.
AlphaFold 2: In radikaal nije metoade
AlphaFold2 is in kompjûtersoftware makke troch DeepMind dy't de aminosûrsekwinsje fan in proteïne brûkt om de 3D-struktuer fan it proteïne te foarsizzen.
Dit is wichtich om't de struktuer fan in proteïne diktearret hoe't it funksjonearret, en it begripen fan syn funksje kin wittenskippers helpe om medisinen te ûntwikkeljen dy't it proteïne rjochtsje.
It neuronale netwurk AlphaFold2 ûntfangt as ynfier de aminosûrsekwinsje fan it proteïne, lykas details oer hoe't dy sekwinsje fergeliket mei oare sekwinsjes yn in databank (dit wurdt in "sekwinsje-ôfstimming neamd").
It neurale netwurk makket in foarsizzing oer de 3D-struktuer fan it proteïne basearre op dizze ynput.
Wat ûnderskiedt it fan AlphaFold2?
Yn tsjinstelling ta oare oanpakken foarseit AlphaFold2 de echte 3D-struktuer fan it proteïne ynstee fan allinich de skieding tusken pearen fan aminosoeren as de hoeken tusken de obligaasjes dy't se ferbine (lykas eardere algoritmen diene).
Om it neurale netwurk tagelyk de folsleine struktuer te antisipearjen, wurdt de struktuer ein-oan-ein kodearre.
In oar wichtich karakteristyk fan AlphaFold2 is dat it in skatting biedt fan hoe selsbetrouwen it is yn syn prognose. Dit wurdt presintearre as in kleurkodearring op 'e ferwachte struktuer, mei read foar heech fertrouwen en blau foar leech fertrouwen.
Dit is nuttich, om't it wittenskippers ynformearret oer de stabiliteit fan 'e foarsizzing.
Foarsizze de kombinearre struktuer fan ferskate sekwinsjes
De lêste útwreiding fan Alphafold2, bekend as Alphafold Multimer, prognostearret de kombineare struktuer fan ferskate sekwinsjes. It hat noch altyd hege flatersifers, sels as it folle better prestearret as eardere techniken. Just % 25 fan 4500 proteïnekompleksen waarden mei súkses foarsein.
70% fan 'e rûge regio's fan kontaktfoarming waarden korrekt foarsein, mar de relative oriïntaasje fan' e twa aaiwiten wie ferkeard. As de mediane ôfstimmingsdjipte minder is dan rûchwei 30 sekwinsjes, nimt de krektens fan Alphafold multimerfoarsizzingen signifikant ôf.
Hoe kinne jo Alphafold-foarsizzingen brûke
De foarseine modellen fan AlphaFold wurde oanbean yn deselde bestânsformaten en kinne op deselde wize brûkt wurde as eksperimintele struktueren. It is krúsjaal om rekken te hâlden mei de skattings foar krektens oanbean mei it model om misferstannen te foarkommen.
It is benammen nuttich foar yngewikkelde struktueren lykas ynterwoven homomeren of aaiwiten dy't allinich foldje yn 'e oanwêzigens fan in
ûnbekende ligand.
Guon útdagings
It wichtichste probleem by it brûken fan foarseine struktueren is it begripen fan 'e dynamyk, ligandselektiviteit, kontrôle, allostery, post-translasjonele feroarings, en kinetika fan bining sûnder tagong ta proteïne en biofysyske gegevens.
Masine learen en fysika-basearre molekulêre dynamykûndersyk kin brûkt wurde om dit probleem te oerwinnen.
Dizze ûndersiken kinne profitearje fan spesjalisearre en effisjinte kompjûterarsjitektuer. Wylst AlphaFold enoarme foarútgong hat berikt yn it foarsizzen fan proteïnestruktueren, is d'r noch in protte te learen op it mêd fan strukturele biology, en AlphaFold-foarsizzingen binne allinich it útgongspunt foar takomstige stúdzje.
Wat binne oare opmerklike ark?
RoseTTAFold
RoseTTAFold, makke troch ûndersikers fan 'e Universiteit fan Washington, brûkt ek algoritmen foar djippe learen om proteïnestruktueren te foarsizzen, mar it yntegreart ek in nije oanpak bekend as "simulaasjes fan torsion angle dynamics" om de foarseine struktueren te ferbetterjen.
Dizze metoade hat bemoedigjende resultaten opsmiten en kin nuttich wêze by it oerwinnen fan de beheiningen fan besteande AI-proteïne-folding-ark.
trRosetta
In oar ark, trRosetta, foarseit proteinfolding troch it brûken fan in neuronale netwurk oplaat op miljoenen proteïnesekwinsjes en struktueren.
It brûkt ek in "sjabloan-basearre modellering" technyk om krekter foarsizzingen te meitsjen troch it doelprotein te fergelykjen mei fergelykbere bekende struktueren.
It is oantoand dat trRosetta de struktueren fan lytse aaiwiten en proteïnekompleksen kin foarsizze.
DeepMetaPSICOV
DeepMetaPSICOV is in oar ark dat him rjochtet op it foarsizzen fan proteïnekontaktkaarten. Dizze wurde brûkt as hantlieding om proteïnefolding te foarsizzen. It brûkt djip learen oanpakken om de kâns op residu-ynteraksjes binnen in proteïne te foarsizzen.
Dizze wurde dêrnei brûkt om de algemiene kontaktkaart te foarsizzen. DeepMetaPSICOV hat potensjeel toand yn it foarsizzen fan proteïnestruktueren mei grutte krektens, sels as eardere oanpak mislearre.
Wat hâldt de takomst yn?
De takomst fan AI-proteinfolding is helder. Djippe learen-basearre algoritmen, benammen AlphaFold2, hawwe koartlyn grutte foarútgong makke yn it betrouber foarsizzen fan proteïnestruktueren.
Dizze fynst hat it potensjeel om medisynûntwikkeling te transformearjen troch wittenskippers de struktuer en funksje fan aaiwiten better te begripen, dy't mienskiplike therapeutyske doelen binne.
Dochs bliuwe problemen lykas it foarsizzen fan proteïnekompleksen en it opspoaren fan 'e echte funksjonele status fan ferwachte struktueren. Mear ûndersyk is nedich om dizze problemen op te lossen en de krektens en betrouberens fan AI-proteïnefoldingsalgoritmen te fergrutsjen.
Dochs binne de potensjele foardielen fan dizze technology enoarm, en it hat it potensjeel om te lieden ta de produksje fan effektiver en krekter medisinen.
Leave a Reply