1 ноября DeepMind, научно-исследовательский институт искусственного интеллекта при Google, опубликовал на своем официальном сайте новейший технологический прогресс модели предсказания структуры белка AlphaFold: он значительно повысил точность предсказания и расширил охват от белков до других биомолекул, включая лиганды (малые молекулы).
Известно, что AlphaFold способен предсказывать почти все молекулы в базе данных белков (PDB), включая лиганды, белки, нуклеиновые кислоты (ДНК и РНК) и молекулы, содержащие посттрансляционные модификации (PTM), до уровня лабораторий атомной точности, что важно для фармацевтических исследований.
База данных структуры белка Alphafold:
Последние разработки:
За пределами сворачивания белка
С тех пор, как Google впервые выпустил AlphaFold в 2020 году, он произвел революцию в понимании белков и их взаимодействий, успешно предсказывая трехмерную структуру белков и помогая достичь крупных технологических прорывов в области биологических наук.
AlphaFold является фундаментальным прорывом в предсказании одноцепочечных белков. Затем AlphaFold-Multimer расширился до комплексов, содержащих несколько белковых цепей, за которым последовал AlphaFold 2.3 для повышения производительности и расширения охвата более крупных комплексов.
В 2022 году структурные предсказания AlphaFold, которые охватывают практически все каталогизированные белки, известные науке, были размещены в свободном доступе в базе данных AlphaFold Protein Structure Database благодаря сотрудничеству с Европейским институтом биоинформатики (EMBL-EBI).
На сегодняшний день 1,4 миллиона пользователей в более чем 190 странах получили доступ к базе данных белковой структуры AlphaFold, и ученые по всему миру использовали прогнозы AlphaFold для продвижения исследований, начиная от ускорения разработки новых вакцин против малярии и содействия открытию лекарств от рака** и заканчивая разработкой ферментов, разлагающих пластик, для борьбы с загрязнением.
Новейшая модель AlphaFold не ограничивается сворачиванием белков, но также генерирует высокоточные структурные прогнозы для лигандов, белков, нуклеиновых кислот и посттрансляционных модификаций.
Ускорение разработки лекарств
Анализ данных показал, что последняя модель AlphaFold была значительно лучше, чем AlphaFold 2.3, в некоторых задачах предсказания структуры белка, связанных с открытием лекарств, таких как связывание антител. Кроме того, точное предсказание структуры белка и лиганда является важным инструментом для разработки лекарств, который может помочь ученым идентифицировать и спроектировать новые молекулы, которые могут стать лекарствами.
В настоящее время в фармацевтической промышленности принято использовать «метод стыковки» для определения взаимодействия между лигандами и белками. Эти методы докинга требуют жесткой эталонной структуры белка и предполагаемого места связывания лиганда.
Новейшая модель AlphaFold устанавливает новый стандарт для прогнозирования структуры белка-лиганда с помощью лучших, чем сообщалось, методов стыковки, без необходимости привязки к структуре белка или расположению карманов лигандов, что позволяет предсказывать совершенно новые белки, которые никогда ранее не были структурно охарактеризованы.
Положение всех атомов также может быть смоделировано совместно, что позволяет представить полную гибкость, присущую белкам и нуклеиновым кислотам при взаимодействии с другими молекулами, что невозможно при использовании методов стыковки.
Например, вот три недавно опубликованных случая, связанных с лечением, в которых структуры, предсказанные последней моделью AlphaFold (показаны цветом), близко совпали с экспериментально определенными структурами (показаны серым цветом):
Прогнозы для PORCN (1), KRAS (2) и PI5P4Kγ (3).
PORCN: Противораковая молекула клинической стадии, которая связывается со своей мишенью, а также с другим белком.
PI5P4Kγ: селективный аллостерический ингибитор липидных киназ с множественными эффектами заболеваний, включая рак и иммунные заболевания.
Новое понимание биологии
Открывая возможности моделирования белковых и лигандных структур, а также нуклеиновых кислот и структур, содержащих посттрансляционные модификации, новейшая модель AlphaFold предоставляет более быстрый и точный инструмент для изучения лежащей в основе биологии.
Например, он включает в себя структуру связывания CasLambda с крРНК и ДНК, которая входит в семейство CRISPR.
CasLambda разделяет возможности редактирования генов с системой CRISPR-Cas9, широко известной как «генные ножницы», которую исследователи могут использовать для изменения ДНК животных, растений и микробов. Меньший размер CasLambda может сделать его более эффективным для редактирования генов.
Предсказанная структура CasLambda (Cas12l), связанная с крРНК и ДНК (входит в подсистему CRISPR).
Способность AlphaFold моделировать такие сложные системы говорит о том, что модели искусственного интеллекта могут помочь медицинскому биотехнологическому сообществу лучше понять эти типы механизмов и ускорить их применение в терапевтическом процессе.
Согласно DeepMind от Google, новейшая модель AlphaFold может помочь биомедицинским прорывам и построить следующую эру «цифровой биологии», предоставляя подробные и важные прогнозы для геномики, биовозобновляемых материалов, иммунитета растений, потенциальных терапевтических мишеней, дизайна лекарств и многого другого.
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
Модель Google AlphaFold провозгласила большой прорыв! Биомолекулы, лиганды можно предсказать
Первоисточник: AIGC Open Community
1 ноября DeepMind, научно-исследовательский институт искусственного интеллекта при Google, опубликовал на своем официальном сайте новейший технологический прогресс модели предсказания структуры белка AlphaFold: он значительно повысил точность предсказания и расширил охват от белков до других биомолекул, включая лиганды (малые молекулы).
Известно, что AlphaFold способен предсказывать почти все молекулы в базе данных белков (PDB), включая лиганды, белки, нуклеиновые кислоты (ДНК и РНК) и молекулы, содержащие посттрансляционные модификации (PTM), до уровня лабораторий атомной точности, что важно для фармацевтических исследований.
База данных структуры белка Alphafold:
Последние разработки:
За пределами сворачивания белка
С тех пор, как Google впервые выпустил AlphaFold в 2020 году, он произвел революцию в понимании белков и их взаимодействий, успешно предсказывая трехмерную структуру белков и помогая достичь крупных технологических прорывов в области биологических наук.
AlphaFold является фундаментальным прорывом в предсказании одноцепочечных белков. Затем AlphaFold-Multimer расширился до комплексов, содержащих несколько белковых цепей, за которым последовал AlphaFold 2.3 для повышения производительности и расширения охвата более крупных комплексов.
В 2022 году структурные предсказания AlphaFold, которые охватывают практически все каталогизированные белки, известные науке, были размещены в свободном доступе в базе данных AlphaFold Protein Structure Database благодаря сотрудничеству с Европейским институтом биоинформатики (EMBL-EBI).
Новейшая модель AlphaFold не ограничивается сворачиванием белков, но также генерирует высокоточные структурные прогнозы для лигандов, белков, нуклеиновых кислот и посттрансляционных модификаций.
Ускорение разработки лекарств
Анализ данных показал, что последняя модель AlphaFold была значительно лучше, чем AlphaFold 2.3, в некоторых задачах предсказания структуры белка, связанных с открытием лекарств, таких как связывание антител. Кроме того, точное предсказание структуры белка и лиганда является важным инструментом для разработки лекарств, который может помочь ученым идентифицировать и спроектировать новые молекулы, которые могут стать лекарствами.
В настоящее время в фармацевтической промышленности принято использовать «метод стыковки» для определения взаимодействия между лигандами и белками. Эти методы докинга требуют жесткой эталонной структуры белка и предполагаемого места связывания лиганда.
Новейшая модель AlphaFold устанавливает новый стандарт для прогнозирования структуры белка-лиганда с помощью лучших, чем сообщалось, методов стыковки, без необходимости привязки к структуре белка или расположению карманов лигандов, что позволяет предсказывать совершенно новые белки, которые никогда ранее не были структурно охарактеризованы.
Положение всех атомов также может быть смоделировано совместно, что позволяет представить полную гибкость, присущую белкам и нуклеиновым кислотам при взаимодействии с другими молекулами, что невозможно при использовании методов стыковки.
Например, вот три недавно опубликованных случая, связанных с лечением, в которых структуры, предсказанные последней моделью AlphaFold (показаны цветом), близко совпали с экспериментально определенными структурами (показаны серым цветом):
PORCN: Противораковая молекула клинической стадии, которая связывается со своей мишенью, а также с другим белком.
KRAS: Тройной комплекс, образованный ковалентным лигандом (молекулярным клеем) важной противораковой мишени.
PI5P4Kγ: селективный аллостерический ингибитор липидных киназ с множественными эффектами заболеваний, включая рак и иммунные заболевания.
Новое понимание биологии
Открывая возможности моделирования белковых и лигандных структур, а также нуклеиновых кислот и структур, содержащих посттрансляционные модификации, новейшая модель AlphaFold предоставляет более быстрый и точный инструмент для изучения лежащей в основе биологии.
Например, он включает в себя структуру связывания CasLambda с крРНК и ДНК, которая входит в семейство CRISPR.
CasLambda разделяет возможности редактирования генов с системой CRISPR-Cas9, широко известной как «генные ножницы», которую исследователи могут использовать для изменения ДНК животных, растений и микробов. Меньший размер CasLambda может сделать его более эффективным для редактирования генов.
Способность AlphaFold моделировать такие сложные системы говорит о том, что модели искусственного интеллекта могут помочь медицинскому биотехнологическому сообществу лучше понять эти типы механизмов и ускорить их применение в терапевтическом процессе.
Согласно DeepMind от Google, новейшая модель AlphaFold может помочь биомедицинским прорывам и построить следующую эру «цифровой биологии», предоставляя подробные и важные прогнозы для геномики, биовозобновляемых материалов, иммунитета растений, потенциальных терапевтических мишеней, дизайна лекарств и многого другого.