Vào ngày 1 tháng 11, DeepMind, một viện nghiên cứu AI thuộc Google, đã công bố trên trang web chính thức của mình tiến bộ công nghệ mới nhất của mô hình dự đoán cấu trúc protein AlphaFold: nó đã cải thiện đáng kể độ chính xác dự đoán và mở rộng phạm vi từ protein sang các phân tử sinh học khác, bao gồm phối tử (phân tử nhỏ).
AlphaFold được biết là có thể dự đoán hầu hết tất cả các phân tử trong cơ sở dữ liệu protein (PDB), bao gồm phối tử, protein, axit nucleic (DNA và RNA) và các phân tử chứa các sửa đổi sau dịch mã (PTM), đến cấp độ của các phòng thí nghiệm chính xác nguyên tử, rất cần thiết cho nghiên cứu dược phẩm.
Cơ sở dữ liệu cấu trúc protein Alphafold:
Phát triển mới nhất:
** Ngoài gấp protein **
Kể từ khi Google phát hành AlphaFold lần đầu tiên vào năm 2020, nó đã cách mạng hóa cách hiểu protein và tương tác của chúng, dự đoán thành công cấu trúc ba chiều của protein và giúp đạt được những đột phá công nghệ lớn trong lĩnh vực khoa học sinh học.
AlphaFold là một bước đột phá cơ bản trong dự đoán protein sợi đơn. AlphaFold-Multimer sau đó mở rộng sang các phức hợp chứa nhiều chuỗi protein, tiếp theo là AlphaFold 2.3 để cải thiện hiệu suất và mở rộng phạm vi bao phủ của các phức hợp lớn hơn.
Vào năm 2022, các dự đoán cấu trúc của AlphaFold, bao gồm hầu như tất cả các protein được khoa học biết đến, đã được cung cấp miễn phí trong Cơ sở dữ liệu cấu trúc protein AlphaFold thông qua sự hợp tác với Viện Tin sinh học châu Âu (EMBL-EBI).
Đến nay, 1,4 triệu người dùng ở hơn 190 quốc gia đã truy cập cơ sở dữ liệu cấu trúc protein AlphaFold và các nhà khoa học trên khắp thế giới đã sử dụng dự đoán của AlphaFold để giúp thúc đẩy nghiên cứu từ đẩy nhanh phát triển vắc-xin sốt rét mới và thúc đẩy khám phá thuốc ung thư **, đến phát triển các enzyme phân hủy nhựa để giải quyết ô nhiễm.
Mô hình AlphaFold mới nhất không chỉ giới hạn ở việc gấp protein mà còn tạo ra các dự đoán cấu trúc chính xác cao cho các phối tử, protein, axit nucleic và các sửa đổi sau dịch mã.
** Tăng tốc phát triển thuốc **
Phân tích dữ liệu cho thấy mô hình AlphaFold mới nhất tốt hơn đáng kể so với AlphaFold 2.3 trong một số vấn đề dự đoán cấu trúc protein liên quan đến khám phá thuốc, chẳng hạn như liên kết kháng thể. Ngoài ra, dự đoán chính xác protein, cấu trúc phối tử là một công cụ quan trọng để khám phá thuốc, có thể giúp các nhà khoa học xác định và thiết kế các phân tử mới có thể trở thành thuốc.
Tiêu chuẩn hiện nay trong ngành dược phẩm là sử dụng "phương pháp lắp ghép" để xác định sự tương tác giữa phối tử và protein. Các phương pháp kết nối này đòi hỏi một cấu trúc protein tham chiếu cứng nhắc và một vị trí liên kết phối tử được đề xuất.
Mô hình AlphaFold mới nhất đặt ra một tiêu chuẩn mới để dự đoán cấu trúc phối tử protein thông qua các phương pháp kết nối tốt hơn được báo cáo tốt nhất, mà không cần tham chiếu cấu trúc protein hoặc vị trí của túi phối tử, cho phép dự đoán các protein hoàn toàn mới chưa từng được đặc trưng về cấu trúc trước đây.
Vị trí của tất cả các nguyên tử cũng có thể được đồng mô hình hóa, cho phép nó đại diện cho tính linh hoạt vốn có hoàn toàn của protein và axit nucleic trong việc tương tác với các phân tử khác, điều này không thể thực hiện được với các phương pháp lắp ghép.
Ví dụ, đây là ba trường hợp liên quan đến điều trị được công bố gần đây, trong đó các cấu trúc được dự đoán bởi mô hình AlphaFold mới nhất (hiển thị bằng màu) khớp chặt chẽ với các cấu trúc được xác định bằng thực nghiệm (hiển thị bằng màu xám):
Dự đoán cho PORCN (1), KRAS (2) và PI5P4Kγ (3).
PORCN: Một phân tử chống ung thư giai đoạn lâm sàng liên kết với mục tiêu của nó cũng như một protein khác.
KRAS: Một phức hợp bậc ba được hình thành với phối tử cộng hóa trị (keo phân tử) của một mục tiêu ung thư quan trọng.
PI5P4Kγ: Một chất ức chế allosteric chọn lọc lipid kinase với nhiều tác dụng bệnh bao gồm ung thư và các bệnh miễn dịch.
**Một sự hiểu biết mới về sinh học **
Bằng cách mở khóa mô hình hóa cấu trúc protein và phối tử, cũng như axit nucleic và cấu trúc có chứa các sửa đổi sau dịch mã, mô hình AlphaFold mới nhất cung cấp một công cụ nhanh hơn và chính xác hơn để kiểm tra sinh học cơ bản.
Ví dụ, nó liên quan đến cấu trúc của CasLambda liên kết với crRNA và DNA, là một phần của họ CRISPR.
CasLambda chia sẻ sức mạnh của chỉnh sửa gen với hệ thống CRISPR-Cas9, được biết đến rộng rãi là "kéo gen", mà các nhà nghiên cứu có thể sử dụng để thay đổi DNA của động vật, thực vật và vi khuẩn. Kích thước nhỏ hơn của CasLambda có thể làm cho nó hiệu quả hơn để sử dụng trong chỉnh sửa gen.
Cấu trúc dự đoán của CasLambda (Cas12l) liên kết với crRNA và DNA (một phần của hệ thống con CRISPR).
Khả năng mô hình hóa các hệ thống phức tạp như vậy của AlphaFold cho thấy các mô hình AI có thể giúp cộng đồng công nghệ sinh học y tế hiểu rõ hơn về các loại cơ chế này và đẩy nhanh ứng dụng của chúng trong quá trình trị liệu.
Theo DeepMind của Google, mô hình AlphaFold mới nhất có thể giúp đột phá y sinh và xây dựng kỷ nguyên tiếp theo của "sinh học kỹ thuật số", cung cấp các dự đoán chi tiết và quan trọng về bộ gen, vật liệu tái tạo sinh học, miễn dịch thực vật, mục tiêu điều trị tiềm năng, thiết kế thuốc, v.v.
Xem bản gốc
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
Mô hình AlphaFold của Google đã mở ra một bước đột phá lớn! Các phân tử sinh học, phối tử có thể được dự đoán
Nguồn gốc: Cộng đồng mở AIGC
Vào ngày 1 tháng 11, DeepMind, một viện nghiên cứu AI thuộc Google, đã công bố trên trang web chính thức của mình tiến bộ công nghệ mới nhất của mô hình dự đoán cấu trúc protein AlphaFold: nó đã cải thiện đáng kể độ chính xác dự đoán và mở rộng phạm vi từ protein sang các phân tử sinh học khác, bao gồm phối tử (phân tử nhỏ).
AlphaFold được biết là có thể dự đoán hầu hết tất cả các phân tử trong cơ sở dữ liệu protein (PDB), bao gồm phối tử, protein, axit nucleic (DNA và RNA) và các phân tử chứa các sửa đổi sau dịch mã (PTM), đến cấp độ của các phòng thí nghiệm chính xác nguyên tử, rất cần thiết cho nghiên cứu dược phẩm.
Cơ sở dữ liệu cấu trúc protein Alphafold:
Phát triển mới nhất:
** Ngoài gấp protein **
Kể từ khi Google phát hành AlphaFold lần đầu tiên vào năm 2020, nó đã cách mạng hóa cách hiểu protein và tương tác của chúng, dự đoán thành công cấu trúc ba chiều của protein và giúp đạt được những đột phá công nghệ lớn trong lĩnh vực khoa học sinh học.
AlphaFold là một bước đột phá cơ bản trong dự đoán protein sợi đơn. AlphaFold-Multimer sau đó mở rộng sang các phức hợp chứa nhiều chuỗi protein, tiếp theo là AlphaFold 2.3 để cải thiện hiệu suất và mở rộng phạm vi bao phủ của các phức hợp lớn hơn.
Vào năm 2022, các dự đoán cấu trúc của AlphaFold, bao gồm hầu như tất cả các protein được khoa học biết đến, đã được cung cấp miễn phí trong Cơ sở dữ liệu cấu trúc protein AlphaFold thông qua sự hợp tác với Viện Tin sinh học châu Âu (EMBL-EBI).
Mô hình AlphaFold mới nhất không chỉ giới hạn ở việc gấp protein mà còn tạo ra các dự đoán cấu trúc chính xác cao cho các phối tử, protein, axit nucleic và các sửa đổi sau dịch mã.
** Tăng tốc phát triển thuốc **
Phân tích dữ liệu cho thấy mô hình AlphaFold mới nhất tốt hơn đáng kể so với AlphaFold 2.3 trong một số vấn đề dự đoán cấu trúc protein liên quan đến khám phá thuốc, chẳng hạn như liên kết kháng thể. Ngoài ra, dự đoán chính xác protein, cấu trúc phối tử là một công cụ quan trọng để khám phá thuốc, có thể giúp các nhà khoa học xác định và thiết kế các phân tử mới có thể trở thành thuốc.
Tiêu chuẩn hiện nay trong ngành dược phẩm là sử dụng "phương pháp lắp ghép" để xác định sự tương tác giữa phối tử và protein. Các phương pháp kết nối này đòi hỏi một cấu trúc protein tham chiếu cứng nhắc và một vị trí liên kết phối tử được đề xuất.
Mô hình AlphaFold mới nhất đặt ra một tiêu chuẩn mới để dự đoán cấu trúc phối tử protein thông qua các phương pháp kết nối tốt hơn được báo cáo tốt nhất, mà không cần tham chiếu cấu trúc protein hoặc vị trí của túi phối tử, cho phép dự đoán các protein hoàn toàn mới chưa từng được đặc trưng về cấu trúc trước đây.
Vị trí của tất cả các nguyên tử cũng có thể được đồng mô hình hóa, cho phép nó đại diện cho tính linh hoạt vốn có hoàn toàn của protein và axit nucleic trong việc tương tác với các phân tử khác, điều này không thể thực hiện được với các phương pháp lắp ghép.
Ví dụ, đây là ba trường hợp liên quan đến điều trị được công bố gần đây, trong đó các cấu trúc được dự đoán bởi mô hình AlphaFold mới nhất (hiển thị bằng màu) khớp chặt chẽ với các cấu trúc được xác định bằng thực nghiệm (hiển thị bằng màu xám):
PORCN: Một phân tử chống ung thư giai đoạn lâm sàng liên kết với mục tiêu của nó cũng như một protein khác.
KRAS: Một phức hợp bậc ba được hình thành với phối tử cộng hóa trị (keo phân tử) của một mục tiêu ung thư quan trọng.
PI5P4Kγ: Một chất ức chế allosteric chọn lọc lipid kinase với nhiều tác dụng bệnh bao gồm ung thư và các bệnh miễn dịch.
**Một sự hiểu biết mới về sinh học **
Bằng cách mở khóa mô hình hóa cấu trúc protein và phối tử, cũng như axit nucleic và cấu trúc có chứa các sửa đổi sau dịch mã, mô hình AlphaFold mới nhất cung cấp một công cụ nhanh hơn và chính xác hơn để kiểm tra sinh học cơ bản.
Ví dụ, nó liên quan đến cấu trúc của CasLambda liên kết với crRNA và DNA, là một phần của họ CRISPR.
CasLambda chia sẻ sức mạnh của chỉnh sửa gen với hệ thống CRISPR-Cas9, được biết đến rộng rãi là "kéo gen", mà các nhà nghiên cứu có thể sử dụng để thay đổi DNA của động vật, thực vật và vi khuẩn. Kích thước nhỏ hơn của CasLambda có thể làm cho nó hiệu quả hơn để sử dụng trong chỉnh sửa gen.
Khả năng mô hình hóa các hệ thống phức tạp như vậy của AlphaFold cho thấy các mô hình AI có thể giúp cộng đồng công nghệ sinh học y tế hiểu rõ hơn về các loại cơ chế này và đẩy nhanh ứng dụng của chúng trong quá trình trị liệu.
Theo DeepMind của Google, mô hình AlphaFold mới nhất có thể giúp đột phá y sinh và xây dựng kỷ nguyên tiếp theo của "sinh học kỹ thuật số", cung cấp các dự đoán chi tiết và quan trọng về bộ gen, vật liệu tái tạo sinh học, miễn dịch thực vật, mục tiêu điều trị tiềm năng, thiết kế thuốc, v.v.