Információ

Hogyan gyorsíthatja fel a gyógyszerkutatást a fehérje feltekeredésének előrejelzése?

Hogyan gyorsíthatja fel a gyógyszerkutatást a fehérje feltekeredésének előrejelzése?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Laikusként kérdezem, nem sok biológiában jártas, szóval kérlek javítsatok ki, ha rosszul értelmezem.

A közelmúltban a DeepMind's AlphaFoldnak sikerült lenyűgöző pontossággal megjósolnia a fehérje szerkezetét a savas aminoszekvenciák alapján. Azt mondják nekünk, hogy ez lehet "utat nyit a gyógyszerkutatás előrehaladása felé."

De nem értem, hogyan történhet meg. Értelmem szerint a fehérjeszerkezet kombinációja végtelen, és ha egy olyan fehérjeszerkezetet módosítunk, amely jól működik a vírus elleni küzdelemben, akkor vagy jobban vagy rosszabbul fog működni, de a kulcspont nem tudjuk, amíg meg nem próbáljuk. Tehát lényegében ez még mindig egy eltalált dolog, pusztán a hülye szerencsétől függ.

Hogyan segíthet tehát a fehérjetekeredés gyors, pontos előrejelzése a gyógyszerkutatásban?


Először is, a fehérjeszerkezetek nem végtelenek. A legtöbb fehérje specifikus szerkezetet vesz fel.
A gyógyszerek a célfehérjéhez kötődve látják el funkciójukat. A szerkezet-előrejelzés kétféleképpen segíti a gyógyszerkutatást:

  1. lehetővé teszi a célfehérjékben lévő zsebek azonosítását (ahol a gyógyszerek meg tudnak kötődni), amelyek szerkezete még nem tisztázott kísérleti módszerekkel
  2. lehetővé teszi az in silico kísérletezést, azaz nagyszámú molekulát vehet fel és szimulálhatja, hogy kötődnek-e a célpont egy adott helyéhez

Azt javaslom, hogy nézze át ezeket az áttekintéseket, hogy jobb áttekintést kapjon a gyors és pontos szerkezetmeghatározás fontosságáról a gyógyszerkutatásban:

  1. Verinde és Hol, 1994, Structure
  2. Montfort és Workman, 2017, Esszék a biokémiából

A ligandum-receptor kötődés szimulációja általában magában foglalja a kívánt fehérje (receptor) röntgenkrisztallográfiájának bioinformatikai adatbázisokból történő lekérését. A fehérje röntgen adatai a fehérje fontos tulajdonságait tartalmazzák, amelyek közül az egyik Fehérje konformáció (Összecsukható állapot). Egy adott új polipeptid röntgenkrisztallográfiai adatainak összegyűjtése rendkívül nehéz, időigényes folyamat, amely fejlett technikákat és a fehérje biológiai rendszerekből való pontos tisztítását igényli. Ezért ha egy algoritmus helyesen (legalábbis bizonyos mértékig) meg tudja jósolni egy fehérje hajtogatását, más algoritmusok is profitálhatnak ebből. függetlenség a kísérleti eredményektől. Gyors, egyidejű dokkolási felmérések (Virtuális vetítés) sokkal könnyebben elérhető lenne, ami végül csak számítógépes szimulációk segítségével új gyógyszerek tervezését eredményezné (ami rendkívül kisebb költségvetést igényel, mint az egyes jelölt molekulák állatokon történő egyenkénti tesztelése)


Kapcsolódó történet

Az idei CASP-ben az AlphaFold több tucat fehérje szerkezetét jósolta meg mindössze 1,6 angström hibahatárral – ez 0,16 nanométer, vagyis atomméretű. Ez messze felülmúlja az összes többi számítási módszert, és most először felel meg a laboratóriumban alkalmazott technikák, például a krioelektronmikroszkópia, a mágneses magrezonancia és a röntgenkrisztallográfia pontosságával. Ezek a technikák drágák és lassúak: minden egyes fehérjéhez több százezer dollárba, és évekig tartó próbálkozásokra és hibákra lehet szükség. Az AlphaFold néhány nap alatt megtalálja a fehérje alakját.

Az áttörés segíthet a kutatóknak új gyógyszerek kidolgozásában és a betegségek megértésében. Hosszabb távon a fehérjeszerkezet előrejelzése segít a szintetikus fehérjék tervezésében is, mint például a hulladékot emésztő vagy bioüzemanyagot előállító enzimek. A kutatók olyan szintetikus fehérjék bevezetésének módjait is vizsgálják, amelyek növelik a terméshozamot és táplálóbbá teszik a növényeket.

„Ez nagyon jelentős előrelépés” – mondja Mohammed AlQuraishi, a Columbia Egyetem rendszerbiológusa, aki saját szoftvert fejlesztett ki a fehérjeszerkezet előrejelzésére. „Egyszerűen nem számítottam rá, hogy ilyen gyorsan megtörténik. Ez bizonyos értelemben megdöbbentő.”

„Ez valóban nagy dolog” – mondja David Baker, a Washingtoni Egyetem Protein Tervezési Intézetének vezetője, a Rosetta, a fehérjeelemző eszközök családja mögött álló csapat vezetője. "Ez egy csodálatos eredmény, mint amit a Go-val értek el."

Csillagászati ​​számok

A fehérje szerkezetének azonosítása nagyon nehéz. A legtöbb fehérje esetében a kutatók az aminosavak sorrendjét tartalmazzák a szalagban, de az eltorzult alakot nem. És jellemzően csillagászati ​​számú lehetséges alakzat létezik minden sorozathoz. A kutatók legalább az 1970-es évek óta küzdenek a problémával, amikor Christian Anfinsen Nobel-díjat kapott, mert kimutatta, hogy a szekvenciák határozzák meg a szerkezetet.

A CASP 1994-es elindítása lendületet adott a mezőnynek. A szervezők kétévente mintegy 100 aminosav-szekvenciát adnak ki olyan fehérjékhez, amelyek alakját a laboratóriumban azonosították, de még nem hozták nyilvánosságra. Ezután csapatok tucatjai a világ minden tájáról versenyeznek, hogy megtalálják a megfelelő módot a szoftver segítségével történő összecsukáshoz. A CASP-hez kifejlesztett eszközök közül sokat már használnak orvoskutatók. A haladás azonban lassú volt, a két évtizedes fokozatos előrelépések nem hoztak létre parancsikont a fáradságos labormunkához.

A CASP megkapta a keresett lökést, amikor 2018-ban a DeepMind benevezett a versenybe az AlphaFold első verziójával. Még mindig nem tudta felmérni a laboratórium pontosságát, de más számítási technikákat a porban hagyott. A kutatók tudomásul vették: hamarosan sokan adaptálták saját rendszereiket, hogy jobban működjenek, mint az AlphaFold.

Ebben az évben a pályaművek több mint fele alkalmaz valamilyen mély tanulási formát, mondja Moult. Ennek eredményeként a pontosság összességében magasabb volt. Baker új rendszere, a trRosetta, a DeepMind néhány 2018-as ötletét használja fel. De ez még mindig „nagyon távoli második” volt – mondja.

A CASP-ben az eredményeket az úgynevezett globális távolságteszttel (GDT) pontozzák, amely egy 0-tól 100-ig terjedő skálán méri, hogy egy előre jelzett szerkezet milyen közel áll a laboratóriumi kísérletekben azonosított fehérje tényleges alakjához. Az AlphaFold legújabb verziója jól teljesített a kihívásban szereplő összes fehérje esetében. De körülbelül kétharmaduknál 90 feletti GDT-pontszámot ért el. A legkeményebb fehérjék GDT-értéke 25 ponttal magasabb, mint a következő legjobb csapaté, mondja John Jumper, a DeepMind AlphaFold csapatának vezetője. 2018-ban hat pont körül mozgott az előny.

A 90 feletti pontszám azt jelenti, hogy az előre jelzett szerkezet és a tényleges szerkezet közötti különbségek inkább a laboratóriumi kísérleti hibákra vezethetők vissza, nem pedig a szoftver hibájára. Ez azt is jelentheti, hogy a megjósolt szerkezet egy érvényes alternatív konfiguráció a laboratóriumban azonosítotthoz képest, a természetes variáció tartományán belül.

Jumper szerint négy olyan fehérje volt a versenyben, amelyeken a független bírák nem fejezték be a munkát a laborban, és az AlphaFold előrejelzései a megfelelő struktúrák felé mutatták őket.

AlQuraishi úgy gondolta, hogy a kutatóknak 10 évbe telik, mire eljutnak az AlphaFold 2018-as eredményeitől az ideiig. Ez közel van ahhoz a fizikai határhoz, hogy mennyire pontos lehet elérni, mondja. „Ezek a szerkezetek alapvetően hajlékonyak. Nincs értelme ennél sokkal alacsonyabb határozatokról beszélni.”

Puzzle darabok

Az AlphaFold kutatók százainak munkájára épít szerte a világon. A DeepMind a szakértelem széles skáláját is felhasználta, biológusokból, fizikusokból és informatikusokból álló csapatot állított össze. A működésének részleteit ezen a héten teszik közzé a CASP konferencián, valamint a folyóirat különszámának lektorált cikkében. Fehérjék következő év. De tudjuk, hogy egyfajta figyelemi hálózatot használ, egy mély tanulási technikát, amely lehetővé teszi a mesterséges intelligencia számára, hogy egy nagyobb probléma egyes részeire összpontosítson. A Jumper a szúrófűrész összeszereléséhez hasonlítja a megközelítést: először a helyi darabokat darabolja össze, mielőtt egy egésszé illeszti őket.

A DeepMind körülbelül 170 000 fehérjére oktatta az AlphaFoldot a fehérjeadatbankból, amely a szekvenciák és struktúrák nyilvános tárháza. Több szekvenciát hasonlított össze az adatbankban, és olyan aminosavpárokat keresett, amelyek gyakran szorosan egymáshoz hajtogatott struktúrákban végeznek. Ezután ezeket az adatokat használja fel arra, hogy kitalálja a még nem ismert szerkezetekben lévő aminosavpárok közötti távolságot. Azt is képes felmérni, hogy ezek a találgatások mennyire pontosak. A képzés „néhány hetet” vett igénybe, 100–200 GPU-nak megfelelő számítási teljesítmény felhasználásával.


Hogyan gyorsíthatja fel a gyógyszerfelfedezést a fehérjetekeredés előrejelzése? - Biológia

A Nature-ben megjelent tanulmányunkban bemutatjuk, hogy a mesterséges intelligencia kutatása miként vezetheti és gyorsíthatja fel az új tudományos felfedezéseket. Létrehoztunk egy elkötelezett, interdiszciplináris csapatot annak reményében, hogy mesterséges intelligencia segítségével előmozdíthatjuk az alapkutatást: összehozzuk a szerkezetbiológia, a fizika és a gépi tanulás szakértőit, hogy élvonalbeli technikákat alkalmazzanak egy fehérje alapú 3D szerkezetének előrejelzésére. kizárólag a genetikai szekvenciája alapján.

Rendszerünk, az AlphaFold – amelyet a Nature and PROTEINS folyóiratban közzétett, lektorált tanulmányok írnak le – több éves munka csúcspontja, és több évtizedes korábbi kutatásokra épül, amelyek nagy genomiális adatkészleteket használnak a fehérjeszerkezet előrejelzésére. Az AlphaFold által generált fehérjék 3D-s modelljei sokkal pontosabbak, mint a korábbiak, ami jelentős előrelépést jelent a biológia egyik alapvető kihívása terén. A CASP13-ban használt AlphaFold kód itt érhető el a Githubon mindenki számára, aki szeretne többet megtudni vagy megismételni eredményeinket. Az is izgatottak vagyunk, hogy ez a munka már más, független megvalósításokat is inspirált, beleértve az ebben a cikkben ismertetett modellt és az itt leírt, közösség által épített nyílt forráskódú implementációt.

Mi a fehérje hajtogatási probléma?

A fehérjék nagy, összetett molekulák, amelyek nélkülözhetetlenek minden élethez. Testünk szinte minden funkciója – az izmok összehúzása, a fény érzékelése vagy a táplálék energiává alakítása – a fehérjéken, valamint azok mozgásán és változásán alapul. Az, hogy egy adott fehérje mire képes, az egyedi 3D-s szerkezetétől függ. Például az immunrendszerünk által használt antitestfehérjék „Y-alakúak”, és egyedi horgokat alkotnak. A vírusokhoz és baktériumokhoz tapadva ezek az antitestfehérjék képesek kimutatni és megjelölni a betegségeket - okozó mikroorganizmusokat az eltávolítás céljából. A kollagén fehérjék zsinór alakúak, amelyek továbbítják a feszültséget a porcok, az ínszalagok, a csontok és a bőr között. Más típusú fehérjék közé tartozik a Cas9, amely a CRISPR szekvenciákat útmutatóként használva ollóként működik a DNS fagyálló fehérjék metszeteinek vágására és beillesztésére, amelyek 3D szerkezete lehetővé teszi, hogy jégkristályokhoz kötődjenek, és megakadályozzák az organizmusok fagyását és riboszómákat, amelyek úgy viselkednek, mint programozott összeszerelősor, amely segít maguknak a fehérjék felépítésében.

Ezeknek a fehérjéknek a receptjeit – úgynevezett géneket – a DNS-ünkben kódoljuk. A genetikai recept hibája rossz formájú fehérjét eredményezhet, ami egy szervezet betegségéhez vagy halálához vezethet. Ezért sok betegség alapvetően a fehérjékhez kapcsolódik. De attól, hogy ismeri a fehérje genetikai receptjét, nem jelenti azt, hogy automatikusan ismeri az alakját. A fehérjék aminosavláncokból állnak (amit aminosavnak is neveznek). De a DNS csak információt tartalmaz a sorrend aminosavak – nem pedig az, hogy hogyan hajtogatják formába. Minél nagyobb a fehérje, annál nehezebb modellezni, mert az aminosavak között több kölcsönhatást kell figyelembe venni. Amint azt Levinthal paradoxona is mutatja, az ismert univerzum koránál tovább tart egy tipikus fehérje összes lehetséges konfigurációjának véletlenszerű felsorolása, mielőtt elérnék a valódi 3D-s szerkezetet – a fehérjék mégis spontán módon, ezredmásodperceken belül összehajtogatnak. Annak előrejelzése, hogy ezek a láncok hogyan hajtogatnak be egy fehérje bonyolult 3D-s szerkezetébe, az úgynevezett „fehérjehajtogatási probléma” – ez a kihívás, amelyen a tudósok évtizedek óta dolgoznak. Ez a megoldatlan probléma már számtalan fejlesztést inspirált, az IBM szuperszámítástechnikai erőfeszítéseinek ösztönzésétől (BlueGene), az újszerű állampolgári tudományos erőfeszítéseken át ([email protected] és FoldIt) az új mérnöki területekig, például a racionális fehérjetervezésig.

Miért fontos a fehérje hajtogatás?

Úgy gondolom, hogy az emberi testet alkotó molekulák, köztük az abnormális molekulák vizsgálatával alaposabban megérthetjük a betegségek természetét általában, és ez a megértés lehetővé teszi. a betegség problémáját egyszerűbben kell megtámadni, így új terápiás módszereket kell kidolgozni.

A tudósokat régóta érdekli a fehérjék szerkezetének meghatározása, mivel úgy gondolják, hogy a fehérje formája határozza meg a funkcióját. Miután megértették a fehérje alakját, sejthető a sejten belüli szerepe, és a tudósok olyan gyógyszereket fejleszthetnek ki, amelyek a fehérje egyedi alakjával működnek.

Az elmúlt öt évtized során a kutatóknak sikerült meghatározniuk a fehérjék alakját laboratóriumokban kísérleti technikákkal, például krioelektronmikroszkóppal, mágneses magrezonanciával és röntgenkrisztallográfiával, de mindegyik módszer sok próbálkozáson és hibán múlik, ami eltarthat. több éves munka, és fehérjeszerkezetenként több tíz- vagy százezer dollárba kerül. Ez az oka annak, hogy a biológusok a mesterséges intelligencia módszereihez fordulnak, mint alternatívaként a nehéz fehérjék esetében ez a hosszú és fáradságos folyamat. A kutatás felgyorsítását segítheti az a képesség, hogy a fehérje alakját számítási úton előre megjósolhatjuk a genetikai kódja alapján – ahelyett, hogy költséges kísérletekkel határoznánk meg.

Hogyan hozhat változást az AI?

Szerencsére a genomika területe meglehetősen gazdag adatokban, köszönhetően a genetikai szekvenálás költségeinek gyors csökkenésének. Ennek eredményeként az előrejelzési probléma mély tanulási megközelítései, amelyek genomikus adatokon alapulnak, egyre népszerűbbek az elmúlt néhány évben. A kutatás katalizálása és az előrejelzések pontosságának javítását célzó legújabb módszerek terén elért eredmények mérése érdekében 1994-ben CASP (Critical Assessment of protein Structure Prediction) néven kétévente megrendezett globális versenyt hoztak létre, amely a prediktív technikák értékelésének arany standardjává vált. Köszönettel tartozunk a CASP szervezőinek több évtizedes korábbi munkájáért, valamint annak a több ezer kísérletezőnek, akiknek a struktúrája lehetővé teszi az ilyen jellegű értékelést.

A DeepMind ezen a problémán végzett munkája az AlphaFoldot eredményezte, amelyet benyújtottunk a CASP13-nak. Büszkék vagyunk rá, hogy részesei lehetünk annak, amit a CASP szervezői „példátlan előrelépésnek neveztek a számítási módszerek fehérjeszerkezet előrejelzésének képességében”, és ezzel az első helyen állunk a benevezett csapatok között (a mi nevezésünk az A7D).

Csapatunk kifejezetten a célformák nulláról való modellezésére összpontosított, anélkül, hogy korábban megoldott fehérjéket használt volna sablonként. Nagyfokú pontosságot értünk el a fehérjeszerkezet fizikai tulajdonságainak előrejelzése során, majd két különböző módszert alkalmaztunk a teljes fehérjeszerkezetek előrejelzésére.

Neurális hálózatok használata a fizikai tulajdonságok előrejelzésére

Mindkét módszer mély neurális hálózatokon alapult, amelyeket arra képeztek ki, hogy előre jelezzék a fehérje tulajdonságait annak genetikai szekvenciájából. A hálózataink által megjósolt tulajdonságok a következők: (a) az aminosavpárok közötti távolságok és (b) az aminosavakat összekötő kémiai kötések közötti szögek. Az első fejlesztés az általánosan használt technikák előrehaladása, amelyek megbecsülik, hogy az aminosavpárok közel vannak-e egymáshoz.

Neurális hálózatot képeztünk ki, hogy megjósolja a távolságok eloszlását a fehérjében lévő minden maradék pár között (a 2. ábrán látható). Ezeket a valószínűségeket azután egy pontszámmá egyesítették, amely megbecsüli, mennyire pontos a javasolt fehérjeszerkezet. Egy külön neurális hálózatot is betanítottunk, amely az összes távolságot összesítve felméri, milyen közel áll a javasolt struktúra a helyes válaszhoz.

2. ábra: Az AlphaFold előrejelzései pontosságának két módja. A felső ábrán három fehérje távolságmátrixa látható. Az egyes pixelek fényereje a fehérjét tartalmazó szekvenciában lévő aminosavak közötti távolságot jelenti – minél világosabb a pixel, annál közelebb van a pár. A felső sorban a valós, kísérletileg meghatározott távolságok láthatók, az alsó sorban pedig az AlphaFold előrejelzett távolságeloszlásának átlaga. Fontos, hogy ezek jól illeszkednek mind globális, mind helyi szinten. Az alsó panelek ugyanazt az összehasonlítást mutatják 3D-s modellekkel, amelyek az AlphaFold előrejelzéseit (kék) és a földi igazságadatokat (zöld) tartalmazzák ugyanazon három fehérjére vonatkozóan.

Ezekkel a pontozási függvényekkel tudtunk keresni a fehérje tájon, hogy olyan struktúrákat találjunk, amelyek megfeleltek az előrejelzéseinknek. Első módszerünk a szerkezetbiológiában általánosan használt technikákra épült, és a fehérjeszerkezet darabjait ismételten új fehérjefragmensekkel cseréltük ki. Egy generatív neurális hálózatot képeztünk ki, hogy új fragmenseket találjunk ki, amelyeket a javasolt fehérjeszerkezet pontszámának folyamatos javítására használtunk.

A második módszer a gradiens süllyedés révén optimalizálta a pontszámokat – egy matematikai technikát, amelyet általában a gépi tanulásban használnak kis, inkrementális fejlesztések elvégzésére –, ami rendkívül pontos struktúrákat eredményezett. Ezt a technikát a teljes fehérjeláncokra alkalmazták, nem pedig azokra a darabokra, amelyeket külön kell hajtogatni, mielőtt nagyobb szerkezetbe illesztenék, az előrejelzési folyamat egyszerűsítése érdekében.

A CASP13-ban használt AlphaFold verzió elérhető a Githubon mindenki számára, aki szeretne többet megtudni, vagy megismételni fehérjehajtogatási eredményeinket.

Mi történik ezután?

Miközben örülünk fehérjehajtogatási modellünk sikerének, a fehérjebiológia területén még mindig sok a tennivaló, és izgatottan várjuk, hogy folytassuk erőfeszítéseinket ezen a területen. Elkötelezettek vagyunk amellett, hogy olyan módszereket hozzunk létre, amelyek segítségével a mesterséges intelligencia hozzájárulhat az alapvető tudományos felfedezésekhez, annak reményében, hogy valós hatást érhetünk el. Ez a megközelítés végső soron arra szolgálhat, hogy jobban megértsük a testet és annak működését, lehetővé téve a tudósok számára, hogy hatékonyabban célozzanak meg és tervezzenek új, hatékony gyógymódokat a betegségekre. A tudósok az emberi sejtek által termelt fehérjék körülbelül felének szerkezetét térképezték fel. Egyes ritka betegségek egyetlen gén mutációival járnak, amelyek egy hibás fehérjefejlődést eredményeznek, ami mélyreható hatással lehet az egész szervezet egészségére. Egy olyan eszköz, mint az AlphaFold, segíthet a ritka betegségek kutatóinak gyorsan és gazdaságosan megjósolni egy érdekes fehérje alakját. Ahogy a tudósok egyre több ismeretet szereznek a fehérjék alakjáról és működésükről szimulációk és modellek segítségével, ez a módszer végül hozzájárulhat a hatékony gyógyszerkutatáshoz, miközben csökkenti a kísérletezéssel járó költségeket. Reméljük, hogy a mesterséges intelligencia hasznos lesz a betegségkutatásban, és végső soron betegek millióinak javítja az életminőséget szerte a világon.

A potenciális előnyök azonban nem korlátozódnak csupán az egészségre – a fehérje hajtogatásának megértése segít a fehérjetervezésben, ami óriási előnyökhöz vezethet. Például a biológiailag lebontható enzimek fejlesztése – amelyet a fehérje tervezése is lehetővé tesz – segíthet a szennyező anyagok, például a műanyag és az olaj kezelésében, elősegítve a hulladékok környezetbarátabb módon történő lebontását. Valójában a kutatók már elkezdték a baktériumok tervezését olyan fehérjék kiválasztására, amelyek biológiailag lebonthatóvá és könnyebben feldolgozhatóvá teszik a hulladékot.

A fehérjehajtogatásba tett első betörésünk sikere azt jelzi, hogy a gépi tanulási rendszerek hogyan képesek integrálni a különféle információforrásokat, hogy segítsenek a tudósoknak gyorsan kreatív megoldásokat találni összetett problémákra. Ahogy láttuk, hogy a mesterséges intelligencia hogyan segíthet az embereknek bonyolult játékok elsajátításában olyan rendszereken keresztül, mint az AlphaGo és az AlphaZero, hasonlóan reméljük, hogy egy napon az AI áttörései platformként szolgálnak majd az alapvető tudományos problémák megértéséhez.

Izgalmas látni a fehérjehajtogatás fejlődésének korai jeleit, amelyek demonstrálják az AI tudományos felfedezésben való hasznosságát. Annak ellenére, hogy még sok munka vár ránk, mielőtt számszerűsíthető hatással lehetünk a betegségek kezelésére, a hulladékkezelésre és még sok másra, tudjuk, hogy a lehetőségek óriásiak. Egy elhivatott csapatunkkal, akik arra összpontosítanak, hogy elmélyedjenek abban, hogy a gépi tanulás miként viheti előre a tudomány világát, kíváncsian várjuk, hogy lássuk, technológiánk milyen sokféleképpen hozhat változást.

Hallgassa meg podcastunkat, amelyben a munka mögött álló kutatók szerepelnek.

Ez a blogbejegyzés a következő munkákon alapul:

A CASP13-nál használt AlphaFold verzió elérhető a Githubon mindenki számára, aki szeretne többet megtudni, vagy megismételni fehérjehajtogatási eredményeinket.

Ez a munka Andrew Senior, Richard Evans, John Jumper, James Kirkpatrick, Laurent Sifre, Tim Green, Chongli Qin, Augustin Žídek, Sandy Nelson, Alex Bridgland, Hugo Penedones, Stig Petersen, Karen Simonyan, Steve Crossan, Pushmeet közreműködésével készült. Kohli, David Jones, David Silver, Koray Kavukcuoglu és Demis Hassabis


Hogyan gyorsíthatja fel a gyógyszerkutatást a fehérje feltekeredésének előrejelzése? - Biológia

A fehérjék nélkülözhetetlenek az élethez, gyakorlatilag minden funkcióját ellátják. Ezek nagy, összetett molekulák, aminosavláncokból állnak, és az, hogy egy fehérje mit csinál, nagymértékben függ egyedi 3D-s szerkezetétől. Annak kiderítése, hogy a fehérjék milyen formákba hajtódnak össze, „fehérjehajtogatási problémának” nevezik, és az elmúlt 50 évben nagy kihívást jelentett a biológiában. Jelentős tudományos előrelépésként az AlphaFold mesterséges intelligencia rendszerünk legújabb verziója megoldást talált erre a nagy kihívásra a kétévente megrendezett fehérjeszerkezeti előrejelzés (CASP) kritikai értékelése szervezői. Ez az áttörés azt mutatja, hogy a mesterséges intelligencia milyen hatással lehet a tudományos felfedezésekre, és képes drámai módon felgyorsítani a fejlődést a világunkat magyarázó és formáló legalapvetőbb területeken.

A fehérje alakja szorosan összefügg a funkciójával, és a struktúra előrejelzésének képessége lehetővé teszi, hogy jobban megértsük, mit csinál és hogyan működik. A világ legnagyobb kihívásai közül sok, mint például a betegségek kezelésének kifejlesztése vagy az ipari hulladékot lebontó enzimek megtalálása, alapvetően a fehérjékhez és az általuk játszott szerephez kötődik.

Közel 50 éve ragaszkodunk ehhez az egyetlen problémához – hogyan hajtódnak fel a fehérjék. Nagyon különleges pillanat látni, hogy a DeepMind megoldást hoz erre a problémára, miután oly sokáig dolgozott személyesen ezen a problémán, és annyi megállás és indítás után, azon tűnődve, vajon eljutunk-e valaha is odáig.

A CASP társalapítója és elnöke, Maryland Egyetem

Ez évek óta az intenzív tudományos kutatás középpontjában áll, különféle kísérleti technikákat alkalmazva a fehérjeszerkezetek vizsgálatára és meghatározására, mint például a mágneses magrezonancia és a röntgenkrisztallográfia. Ezek a technikák, valamint az olyan újabb módszerek, mint a krioelektronmikroszkópia, kiterjedt próbálkozásokon és tévedéseken múlnak, amelyek hosszú évekig tartó fáradságos és fáradságos munkát igényelnek szerkezetenként, és több millió dolláros speciális berendezést igényelnek.

A „fehérje hajtogatási probléma”

Az 1972-es kémiai Nobel-díjat átadó beszédében Christian Anfinsen híresen azt állította, hogy elméletileg egy fehérje aminosavszekvenciájának kell teljes mértékben meghatároznia a szerkezetét. Ez a hipotézis egy öt évtizedes kutatást indított el annak érdekében, hogy számítástechnikailag meg lehessen jósolni egy fehérje 3D-s szerkezetét, pusztán az 1D aminosavszekvenciája alapján, amely kiegészíti ezeket a drága és időigényes kísérleti módszereket. A legnagyobb kihívás azonban az, hogy csillagászati ​​számban van lehetőség arra, hogy egy fehérje elméletileg összehajtson, mielőtt beépülne végső 3D-s szerkezetébe. 1969-ben Cyrus Levinthal megjegyezte, hogy az ismert univerzum koránál tovább tart egy tipikus fehérje összes lehetséges konfigurációjának számbavétele nyers erő számítással – Levinthal 10^300 lehetséges konformációt becsült egy tipikus fehérje esetében. A természetben azonban a fehérjék spontán, néhány milliszekundum alatt hajtódnak össze – ezt a kettősséget néha Levinthal paradoxonának is nevezik.

A fehérjehajtogatás magyarázata

A CASP14 értékelés eredményei

1994-ben John Moult professzor és Krzysztof Fidelis professzor megalapította a CASP-t kétévente végzett vakértékelésként, hogy katalizálja a kutatást, nyomon kövesse az előrehaladást, és megteremtse a fehérjeszerkezet-előrejelzés legkorszerűbb szintjét. Ez egyrészt a prediktív technikák értékelésének aranystandardja, másrészt a közös erőfeszítésekre épülő egyedülálló globális közösség. Lényeges, hogy a CASP olyan fehérjeszerkezeteket választ, amelyeket csak a közelmúltban határoztak meg kísérletileg (néhány az értékelés időpontjában még mindig a meghatározásra várt), hogy a csapatok teszteljék szerkezet-előrejelzési módszereiket az előzetesen nem publikált módszerekkel szemben. A résztvevőknek vakon meg kell jósolniuk a fehérjék szerkezetét, és ezeket a jóslatokat a későbbiekben összehasonlítják az alapigazság kísérleti adataival, amikor elérhetővé válnak. Köszönettel tartozunk a CASP szervezőinek és az egész közösségnek, nem utolsósorban azoknak a kísérletezőknek, akiknek struktúrája lehetővé teszi ezt a fajta szigorú értékelést.

AlphaFold: Tudományos áttörés

A CASP által az előrejelzések pontosságának mérésére használt fő mérőszám a Global Distance Test (GDT), amely 0 és 100 között mozog. Egyszerűen fogalmazva, a GDT megközelítőleg úgy fogható fel, mint az aminosavak (a fehérjeláncban lévő gyöngyök) százalékos aránya a megfelelő pozíciótól egy küszöbtávolságon belül. Moult professzor szerint a 90 GDT körüli pontszám informálisan versenyképesnek tekinthető a kísérleti módszerekkel kapott eredményekkel.

A ma közzétett 14. CASP-értékelés eredményei szerint legújabb AlphaFold rendszerünk átlagosan 92,4 GDT-t ér el az összes célon. Ez azt jelenti, hogy előrejelzéseink átlagos hibája (RMSD) körülbelül 1,6 Angström, ami egy atom szélességéhez (vagy 0,1 nanométerhez) hasonlítható. Az AlphaFold még a legkeményebb fehérjecélpontok esetében is, a legnagyobb kihívást jelentő ingyenes modellezési kategóriában is 87,0 GDT-t ér el (az adatok itt érhetők el).

Javult az előrejelzések medián pontossága az ingyenes modellezési kategóriában az egyes CASP-k legjobb csapata számára, az 5-ből legjobb GDT-ként mérve.

Két példa a fehérjecélpontokra a szabad modellezés kategóriában. Az AlphaFold nagy pontosságú struktúrákat jósol meg a kísérleti eredményekhez képest.

Ezek az izgalmas eredmények megnyitják a lehetőséget a biológusok számára, hogy a számítási szerkezet-előrejelzést a tudományos kutatás alapvető eszközeként használják. Módszereink különösen hasznosnak bizonyulhatnak olyan fontos fehérjeosztályok esetében, mint például a membránfehérjék, amelyeket nagyon nehéz kristályosítani, és ezért kísérletileg nehéz meghatározni.

Ez a számítási munka lenyűgöző előrelépést jelent a fehérje-hajtogatás problémájában, amely egy 50 éves nagy kihívás a biológiában. Évtizedekkel azelőtt történt, hogy a területen dolgozók közül sokan megjósolták volna. Izgalmas lesz látni, hogy milyen sokféleképpen fogja alapjaiban megváltoztatni a biológiai kutatást.

Venki Ramakrishnan professzor

Nobel-díjas és a Royal Society elnöke

Megközelítésünk a fehérje hajtogatás problémájához

Először 2018-ban léptünk be a CASP13-ba az AlphaFold kezdeti verziójával, amely a legnagyobb pontosságot érte el a résztvevők között. Ezt követően publikáltunk egy tanulmányt a Nature-ben használt CASP13-as módszereinkről a kapcsolódó kóddal, amely inspirálta a többi munkát és a közösség által fejlesztett nyílt forráskódú implementációkat. Mostanra az általunk kifejlesztett új mély tanulási architektúrák megváltoztatták a CASP14 módszereinket, lehetővé téve számunkra, hogy páratlan szintű pontosságot érjünk el. Ezek a módszerek a biológia, a fizika és a gépi tanulás területeiből merítenek ihletet, valamint természetesen sok tudós munkáját a fehérjehajtogatás területén az elmúlt fél évszázadban.

A hajtogatott fehérjét egy „térbeli gráfnak” tekinthetjük, ahol a maradékok a csomópontok, az élek pedig szorosan kötik össze a maradékokat. Ez a grafikon fontos a fehérjéken belüli fizikai kölcsönhatások, valamint evolúciós történetük megértéséhez. Az AlphaFold legújabb verziójához, amelyet a CASP14-ben használnak, egy figyelem alapú neurális hálózati rendszert hoztunk létre, végpontok között betanítva, amely megpróbálja értelmezni ennek a gráfnak a szerkezetét, miközben az általa épített implicit gráfon gondolkodik. A grafikon finomításához evolúciósan rokon szekvenciákat, többszörös szekvencia-illesztést (MSA) és aminosav-párok ábrázolását alkalmazza.

Ennek a folyamatnak a megismétlésével a rendszer erős előrejelzéseket fejleszt ki a fehérje mögöttes fizikai szerkezetére vonatkozóan, és néhány nap alatt képes nagyon pontos szerkezeteket meghatározni. Ezen túlmenően az AlphaFold belső megbízhatósági mérőszám segítségével meg tudja jósolni, hogy az egyes előre jelzett fehérjeszerkezetek mely részei megbízhatóak.

Ezt a rendszert a nyilvánosan elérhető adatokon képeztük ki, amelyek a következőkből állnak

170 000 fehérjeszerkezet a fehérje adatbankból, valamint nagy adatbázisok, amelyek ismeretlen szerkezetű fehérjeszekvenciákat tartalmaznak. Körülbelül 16 TPUv3-at használ (ami 128 TPUv3 magot vagy nagyjából egyenértékű

100-200 GPU) néhány hét alatt fut, ami viszonylag szerény számítási mennyiség a gépi tanulásban manapság használt legtöbb nagy korszerű modell kontextusában. A CASP13 AlphaFold rendszerhez hasonlóan rendszerünkről is készítünk egy cikket, amelyet egy szakértői naplóba kell benyújtani.

A fő neurális hálózati modell architektúra áttekintése. A modell evolúciósan rokon fehérjeszekvenciákon, valamint aminosav-párok felett működik, iteratív módon továbbítja az információkat a két reprezentáció között, hogy létrehozzon egy szerkezetet.

A valós hatások lehetősége

Amikor a DeepMind egy évtizeddel ezelőtt elindult, abban reménykedtünk, hogy egy napon a mesterséges intelligencia áttörései platformként szolgálnak majd az alapvető tudományos problémák megértéséhez. Most, az AlphaFold építése 4 évnyi erőfeszítése után kezdjük látni, hogy ez a vízió megvalósul, és olyan területekre is kihat, mint a gyógyszertervezés és a környezeti fenntarthatóság.

Andrei Lupas professzor, a Max Planck Fejlődésbiológiai Intézet igazgatója és a CASP értékelője tudatta velünk, hogy „Az AlphaFold elképesztően pontos modelljei lehetővé tették számunkra, hogy megoldjuk azt a fehérjeszerkezetet, amelyhez közel egy évtizede ragaszkodtunk, és újraindítjuk erőfeszítéseinket megérteni, hogyan továbbítják a jeleket a sejtmembránokon.”

Optimisták vagyunk azzal kapcsolatban, hogy az AlphaFold milyen hatással lehet a biológiai kutatásra és a szélesebb világra, és izgatottak vagyunk, hogy együttműködünk másokkal, hogy többet megtudjunk a benne rejlő lehetőségekről az elkövetkező években. Egy lektorált dokumentumon dolgozunk, és azt kutatjuk, hogyan biztosíthatunk a legjobban szélesebb körű hozzáférést a rendszerhez, méretezhető módon.

Mindeközben azt is megvizsgáljuk, hogy a fehérjeszerkezeti előrejelzések hogyan járulhatnak hozzá bizonyos betegségek megértéséhez kis számú szakosodott csoporttal, például azáltal, hogy segít azonosítani a hibásan működő fehérjéket, és megmagyarázni, hogyan hatnak egymásra. Ezek a felismerések lehetővé tehetik a gyógyszerfejlesztés pontosabb munkáját, kiegészítve a meglévő kísérleti módszereket az ígéretes kezelések gyorsabb megtalálása érdekében.

Az AlphaFold egy generáción belüli előrelépés, hihetetlen gyorsasággal és pontossággal jósolja meg a fehérjeszerkezeteket. Ez az előrelépés azt mutatja, hogy a számítási módszerek milyen készen állnak arra, hogy átalakítsák a biológia kutatását, és sok ígéretet hordozzanak a gyógyszerkutatási folyamat felgyorsításában.

PhD, Calico alapító és vezérigazgató, a Genentech korábbi elnök-vezérigazgatója

Azt is láttuk, hogy a fehérjeszerkezet előrejelzése hasznos lehet a jövőbeli pandémiás válaszadási erőfeszítésekben, mint a tudományos közösség által kifejlesztett számos eszköz egyike. Az év elején megjósoltuk a SARS-CoV-2 vírus számos fehérjeszerkezetét, köztük az ORF3a-t, amelynek szerkezete korábban ismeretlen volt. A CASP14-nél egy másik koronavírus-fehérje, az ORF8 szerkezetét jósoltuk meg. A kísérletezők lenyűgözően gyors munkája most megerősítette mind az ORF3a, mind az ORF8 szerkezetét. Annak ellenére, hogy kihívást jelentenek, és nagyon kevés kapcsolódó szekvenciával rendelkeznek, mindkét előrejelzésünkben nagyfokú pontosságot értünk el, összehasonlítva a kísérletileg meghatározott szerkezetükkel.

Amellett, hogy felgyorsítjuk az ismert betegségek megértését, izgatottak vagyunk, hogy ezek a technikák képesek feltárni azt a több száz millió fehérjét, amelyhez jelenleg nincs modellünk – ez az ismeretlen biológia hatalmas terepe. Mivel a DNS meghatározza a fehérjeszerkezeteket alkotó aminosavszekvenciákat, a genomika forradalom lehetővé tette a természeti világból származó fehérjeszekvenciák tömeges leolvasását – 180 millió fehérjeszekvenciával, és az Universal Protein adatbázisban (UniProt) folyamatosan számolunk. Ezzel szemben, tekintettel a szekvenciától a szerkezetig terjedő kísérleti munkához, csak körülbelül 170 000 fehérjeszerkezet található a Protein Data Bankban (PDB). A meghatározatlan fehérjék között lehet néhány új és izgalmas funkcióval rendelkező fehérjék között, és – ahogyan a távcső segítségével mélyebbre látunk az ismeretlen univerzumban – az AlphaFoldhoz hasonló technikák segíthetnek megtalálni őket.

Új lehetőségek felszabadítása

Az AlphaFold a mai napig az egyik legjelentősebb előrelépésünk, de mint minden tudományos kutatásnál, még mindig sok kérdésre kell választ adni. Nem minden általunk megjósolt szerkezet lesz tökéletes. Még sokat kell tanulni, beleértve azt, hogy több fehérje hogyan alkot komplexeket, hogyan lépnek kölcsönhatásba DNS-sel, RNS-sel vagy kis molekulákkal, és hogyan tudjuk meghatározni az összes aminosav oldallánc pontos helyét. Másokkal együttműködve arról is sokat kell tanulni, hogyan lehet a legjobban felhasználni ezeket a tudományos felfedezéseket új gyógyszerek kifejlesztésében, a környezet kezelésének módjaiban stb.

Mindannyiunk számára, akik számítástechnikai és gépi tanulási módszereken dolgozunk a tudományban, az AlphaFoldhoz hasonló rendszerek bemutatják az AI-ban rejlő lenyűgöző lehetőségeket az alapvető felfedezéseket segítő eszközként. Csakúgy, mint 50 évvel ezelőtt Anfinsen olyan kihívást állított fel, amely akkoriban messze túlmutat a tudomány hatókörén, univerzumunknak sok olyan aspektusa van, amely ismeretlen maradt. A ma bejelentett előrelépés további bizakodásra ad okot afelől, hogy a mesterséges intelligencia az emberiség egyik leghasznosabb eszköze lesz a tudományos ismeretek határainak kiterjesztésében, és már nagyon várjuk a sok év kemény munkáját és felfedezését!

Amíg nem publikálunk erről a munkáról, kérjük, idézze:

Nagy pontosságú fehérjeszerkezet előrejelzés a mély tanulás segítségével

John Jumper, Richard Evans, Alexander Pritzel, Tim Green, Michael Figurnov, Kathryn Tunyasuvunakool, Olaf Ronneberger, Russ Bates, Augustin Žídek, Alex Bridgland, Clemens Meyer, Simon AA Kohl, Anna Potapenko, Andrew J Ballard, Andrew Cowie, Bernardino Romera- Paredes, Stanislav Nikolov, Rishub Jain, Jonas Adler, Trevor Back, Stig Petersen, David Reiman, Martin Steinegger, Michalina Pacholska, David Silver, Oriol Vinyals, Andrew W Senior, Koray Kavukcuoglu, Pushmeet Kohli, Demis Hassabis.

A fehérjeszerkezet-előrejelzési technikák tizennegyedik kritikai értékelésében (absztrakt könyv), 2020. november 30. és december 4. között. Letöltve.


Figyelem vizualizáció

Vizualizáltuk a BERT modell figyelmi rétegeit a ligandum karra. Arra számítottunk, hogy a figyelemrétegek kiemelik és kiemelik a kötődésért felelős fragmentumokat mind a ligandumokban, mind a receptorokban. Ahogy fentebb említettük, a BERT architektúrán belül a figyelmet 6 réteg képviseli 12 súlymátrixszal, amelyek mindegyike felelős a molekula különböző régióinak kiemeléséért. Kétféle mátrix-vektor transzformációt próbáltunk ki, hogy a súlyokat leképezzük a karakterlánc-reprezentációs vektorra: az első módszer csak a mátrixsúlyok első sorát veszi fel, a másik az oszlopok átlagát.

A figyelem azonban mindkét módszerben a molekulák között oszlott el, nem pedig bizonyos helyek között. Az alábbi ábra egyik példájával illusztráljuk.

A bal oldali diagramon az emberi trombin (receptor, narancssárga felületen) és egy kötött ligandum (kék pálcikák) aktív helyét mutatjuk be, a Protein Data Bankból (http://www.rcsb.org/) a zöld oválisokat. címkézze meg a ténylegesen kölcsönhatásban lévő csoportokat. A jobb oldali diagram a ligandum síkbeli vetületét mutatja: ismét zöld oválisok jelzik a kölcsönhatásba lépő csoportokat, míg a piros és zöld foltok azokat a molekuláris fragmentumokat jelölik, amelyekről a figyelem feltételezi, hogy felelősek a ligandum és a receptor kötődéséért. Látható, hogy a figyelem a kölcsönhatásban lévő csoportokon túlra terjed, ami azt mutathatja, hogy a kötődés valójában egy struktúra teljes topológiájától függ, nem pedig bizonyos helyeknek tulajdonítható.


&ldquoEgy nagyon különleges pillanat"

Az élő sejtek több milliárd különböző fehérjéből állnak, amelyek mindegyikének összetett 3D alakja van, amely meghatározza, hogy mit csinál és hogyan működik.

Több mint 200 millió fehérjét fedeztek fel, és ez a szám folyamatosan növekszik. But we only know the exact shape of only a few hundred thousand.

Each protein is a string made up 20 amino acids, arranged in different orders. Their interactions with each other make the protein fold, with scientist Cyrus Levinthal estimating in 1969 that there were some 10^300 possible conformations for a typical protein.

A major goal of computational biologists has therefore been to work out how to predict a protein's shape just from looking at a string of amino acids.

Using brute force computing is essentially impossible, given the astronomical number of configurations, so scientists have increasingly looked to artificial intelligence as a way to achieve this goal.

Enter AlphaFold. Trained on the sequences and structures of about

170,000 proteins mapped out by the RCSB Protein Data Bank and other protein databases, it can accurately predict the shape of proteins simply from their sequence of amino acids. The system was trained on 128 TPUv3 cores for the duration of a "few weeks."

This month, AlphaFold defeated around 100 teams in a protein-structure prediction challenge called Critical Assessment for Structure Prediction (CASP), set up 25 years ago to encourage research in the field.

"We have been stuck on this one problem &ndash how do proteins fold up &ndash for nearly 50 years," CASP co-founder and chair Professor John Moult said.

"To see DeepMind produce a solution for this, having worked personally on this problem for so long and after so many stops and starts, wondering if we&rsquod ever get there, is a very special moment."

CASP uses a metric called the Global Distance Test (GDT) which measures how accurate protein folding predictions are when compared to the correct position, out of a score of 100.

A score of 90 GDT has long been considered to be the benchmark to beat, as it is similar to what can be obtained from experimental lab methods (something which can take months or years, expensive equipment, and still fail). In the latest CASP assessment, AlphaFold achieved a median score of 92.4 GDT across all targets &ndash an average error of about the width of an atom.

For the hardest protein targets, it had a median score of 87.0 GDT.

"This computational work represents a stunning advance on the protein-folding problem, a 50-year-old grand challenge in biology," said Nobel laureate and President of the Royal Society, Professor Venki Ramakrishnan.

"It has occurred decades before many people in the field would have predicted. It will be exciting to see the many ways in which it will fundamentally change biological research.&rdquo

The hope is that the breakthrough will allow scientists to understand how proteins work, making drug development easier, and potentially setting humanity on a path towards being able to develop enzymes that can eat plastic, or absorb carbon.

Significant work is still required, particularly on how proteins combine to form complexes, and how they react with RNA, DNA, and small molecules.

"AlphaFold is a once in a generation advance, predicting protein structures with incredible speed and precision," said Arthur Levinson, former CEO of Genentech and current CEO of Alphabet's Calico. "This leap forward demonstrates how computational methods are poised to transform research in biology and hold much promise for accelerating the drug discovery process.&rdquo

DeepMind plans to publish a paper detailing AlphaFold's achievement, but it was coy on whether it would release the algorithm itself.

&ldquoWe&rsquore right at the beginning of exploring how best to enable other groups to use our structure predictions,&rdquo the company said.


időszámításunk előttBetweenness Centrality
H3AfricaHuman Heredity and Health in Africa
HTSHigh Throughput Sequencing
HUMAHuman Mutation Analysis web server
LShortest path
PRIMOProtein Interactive Modeling web server
RINResidue Interaction Network
RMSDRoot Mean Square Deviation
RMSFRoot Mean Square Fluctuation
VAPORVariant Analysis Portal

A kiadó felelőssége: Ez egy szerkesztetlen kézirat PDF-fájlja, amelyet közzétételre elfogadtak. Ügyfeleink szolgáltatásaként a kézirat e korai változatát kínáljuk. A kézirat másoláson, szedésen és a kapott bizonyítvány áttekintésén esik át, mielőtt végleges idézhető formában megjelenne. Kérjük, vegye figyelembe, hogy a gyártási folyamat során hibák fedezhetők fel, amelyek hatással lehetnek a tartalomra, és a naplóra vonatkozó minden jogi nyilatkozat vonatkozik.


How Do Proteins Fold? Levinthal’s Paradox and the Protein Folding Problem

Now we know that the form of a protein is tightly related to its function. Knowledge of protein’s 3D structure is a huge hint for understanding how the protein works, and use that information for different purposes control or modify protein’s function, predict what molecules bind to that protein and understand various biological interactions, assist drug discovery or even design our own proteins.

Yet, one of the biggest challenges of biology has been to accurately predict the 3D native structure of the protein from only its 1D sequence of amino acidic residues. Why is this a big problem?

The protein folding problem is stated in Levinthal’s paradox:

“Finding the native folded state of a protein by a random search among all possible configurations can take an enormously long time. Yet proteins can fold in seconds or less.”

From a general physicochemical point of view, how can proteins adopt their unique 3D native structure -a global free energy minimum form- in a biologically reasonable time without exhaustive enumeration of all possible conformations? This is under the assumption that proteins should randomly search configurations until the native form is reached.

Levinthal believed that proteins must solve the problem by folding through predetermined pathways.


Future promises

Well this is just a first step into the biological scientific discovery, a lot more work needed to be done to successfully predict the exact protein structure. Which will change the whole biological history, making us able to have a quantifiable impact on treating diseases, managing the environment, and more.

This article is written on the basis of research by DeepMind’s scientist. Below is research paper published by DeepMind’s team. (Cited).

De novo structure prediction with deep-learning based scoring
R.Evans, J.Jumper, J.Kirkpatrick, L.Sifre, T.F.G.Green, C.Qin, A.Zidek, A.Nelson, A.Bridgland, H.Penedones, S.Petersen, K.Simonyan, S.Crossan, D.T.Jones, D.Silver, K.Kavukcuoglu, D.Hassabis, A.W.Senior
In Thirteenth Critical Assessment of Techniques for Protein Structure Prediction (Abstracts) 1–4 December 2018.


Nézd meg a videót: Melledzés hibák (Június 2022).


Hozzászólások:

  1. Asliraf

    What would you began to do on my place?

  2. Shakazuru

    gyorsan kitaláltál ilyen páratlan választ?

  3. Trevls

    Hasonló van valami?

  4. Efrem

    Azt tanácsolom, hogy jöjjön el egy oldalra, ahol nagy mennyiségű információ található az Önt érdeklő témáról. Ott mindenképp mindent megtalálsz.

  5. Crom

    Should you tell, that you are not right.

  6. Mac Ghille-Bhuidhe

    Van ebben valami, és egy kiváló ötlet, egyetértek veled.

  7. Boell

    I'm sorry, but I think you are making a mistake. Küldjön e -mailt a miniszterelnöknél.



Írj egy üzenetet