AI越来越擅长模拟和设计蛋白质和药物
喜欢指数的未来？加入我们的Xpotential社区，订阅播客 ，通过Xpotential University的课程进行播客 ，未来的证明，阅读有关指数技术和趋势 ，连接 ，观看Keynote或浏览我的博客。
人工智能（AI）在短短几周内就已经创造了数万种新药，并且设计蛋白质有点像制作橱柜 。第一步是建立将蛋白质固定在一起的主链 。但是 ，很难的部分是：弄清楚在脚手架上安装铰链的位置 - 也就是说 ，找到最佳的“热点” - 放在门，架子和其他附件上 ，最终使橱柜正常工作。
从某种意义上说 ，蛋白质还嵌入了其结构中的热点 。这些有趣的角落和缝隙形成了其他蛋白质或药物以抓住的精致码头 。这些站点是执行我们大多数基本生物学过程的核心。它们也是设计新疗法和医用药物的巨大金矿 。
问题？功能部位很难映射，这就是为什么Google DeepMind自己的蛋白质折叠AI如此革命性的原因……传统上 ，科学家不得不将蛋白质上的可疑区域逐一变异 - 将一种氨基酸切换到另一种氨基酸 - 钉住精确的绑定点 。就像侦探筛查数百名嫌疑犯一样 ，可能有很多嫌疑人，这非常乏味。
一项新的科学研究推翻了整本游戏手册 。在华盛顿大学的戴维·贝克（David Baker）博士的带领下，一个团队攻入了AI的“想象力 ” ，从而从头开始梦想了无数的功能网站 。这是机器头脑最佳的“创造力 ” - 一种深入学习的算法 ，可以预测蛋白质功能网站的一般区域，但随后进一步雕刻了结构。
作为现实检查 ，该团队使用新软件来生成与癌症作斗争并设计疫苗与常见（有时是致命的病毒）的药物 。在一种情况下 ，数字思维提出了一种解决方案，当在孤立的细胞中测试时 ，它是与常见病毒现有抗体的完美匹配 。换句话说 ，算法从病毒蛋白上“想象”了一个热点，使其成为设计新疗法的靶标。
该算法是Deep Learning在其功能周围建立蛋白质的首次尝试 ，为以前难以想象的治疗打开了一扇门。但是该软件不仅限于天然蛋白质热点 。
贝克在新闻稿中说：“我们在自然界中发现的蛋白质是惊人的分子 ，但是设计的蛋白质可以做更多的事情 。 ”该算法是“做我们没有人认为它能够做到的事情 ”。
贝克的团队对用人造思想预测蛋白质并不陌生 。几年前，他们通过释放Rosetta来震撼结构生物学领域 ，Rosetta可以单独根据其氨基酸序列来预测蛋白质的3D结构 。他们进一步映射了蛋白质复合物 ，并从刮擦中设计了蛋白质“螺丝刀”，从而撬开了不良蛋白质相互作用。去年年底，他们发布了一个以Trrosetta为名的深度学习网络 ，这是AI“建筑师 ” ，它概括了氨基酸串如何在纳米级的复杂结构中排列 。
让我们备份 。
当我输入此句子时，我很容易将蛋白质描绘成我咬人的肉质鸡翅。但是在分子水平上 ，它们更加优雅 。想象一下多个乐高积木 - 氨基酸 - 由一根绳子固定在一起 。现在 ，它四处旋转，扭曲链条 ，直到有些封锁互相捕捉。这形成了一个细腻的结构 ，通常类似于螺旋或皱巴巴的床单 。在某些蛋白质中，这些构建块进一步组装成复合物 ，例如 ，制作通道，该通道像巡逻的州际公路一样 ，像巡逻的州际公路一样穿过电池的保护膜 。
蛋白质的能力 ，通常通过与其他蛋白质或药物的级联相互作用，对伴侣的影响 - 可能会触发完全不同的后果：细胞应该生命还是死亡？攻击潜在的入侵者还是站下？换句话说，蛋白质是生命的基础 ，解析其结构就是我们可以入侵生活的方式。
这就是事实：并非蛋白质的所有部分都相等。如果蛋白质是人体 ，功能部位是其“手 ” - 它抓住另一种蛋白质或药物，搅动酶促反应或抗击入侵的病原体 。这些位点直接嵌入蛋白质的结构中 ，很难固定 ，甚至更难重新创建 。
这项新研究用Rosetta的版本解决了问题：有了一些以前的知识，计算机是否有可能梦想一系列自然折叠成功能场所的氨基酸链？
这个问题似乎似乎是异国情调的 ，但是在其他领域中有一个例子。使用神经网络 ，Openai仅从文本字幕中创建了广泛的图像 。Dall·e算法的Rockstar AI文本生成器GPT-3的衍生产品通过检测其训练中的模式，基于简单的文本提示 ，生成了梦幻且现实的图像 。
“它采用了您的想象力最深 ，最黑暗的凹槽，并将其变成了与众不同的事物 ，”该工具最初发布后 ，加州大学伯克利分校（UC Berkeley）的Hany Farid博士说。
构建蛋白质功能部位相似 。在这里，氨基酸是字母，蛋白质功能位点是图像 。
“这个想法是相同的：可以训练神经网络以查看数据中的模式。一旦训练 ，您就可以提示它 ，看看它是否可以生成优雅的解决方案， ”这项新作品的主要作者约瑟夫·沃森（Joseph Watson）博士说 。除非写小说 ，而是可以帮助改写生活 。
该团队从以前的创作Trrosetta开始。这是一个最初旨在基于氨基酸序列的新蛋白质的神经网络 ，同时能够预测其结构 - 有些与自然的结构如此陌生，以至于团队将深度学习的内在工作称为“幻觉 ” 。该算法似乎很完美：它既可以预测蛋白质的氨基酸序列及其结构 。
打ic？它真的没有用。相比之下 ，蛋白质结构预测的OG Rosettafold的表现像冠军。该算法的功率来自其设计：对纳米级的每个氨基酸进行建模 ，为每个原子提供坐标 。就像使用Google Maps固定地理网站一样，这为AI可以进一步即兴即兴的结构提供了一定程度的基础真理 - 一种“幻觉约束” 。
翻译？Rosettafold可以预测手头问题的功能结构 - 并提出粗略的草图作为最终设计。
然后是另一个聪明的技巧 ，被称为“灌输 ” 。在这里 ，团队隐藏了蛋白质序列或结构的一部分 。该软件必须学习如何从本质上是嘈杂的无线电拦截中解解信息，您只能听到前几个单词 ，但试图通过填写空白来理解其含义。Rosettafold用热情解决了“缺失的信息恢复问题 ” ，自动完成氨基酸序列和结构，以构建具有高忠诚度的给定功能区域 。
Rosettafold可以解决构建氨基酸序列并同时生成骨架的问题 。这就像在纸上写单词：作者确保每个字母在正确的位置，同时检查语法和含义是否有意义。
将他们的新作品进行了测试 ，该团队产生了几种药物和疫苗设计 ，这些设计可能会与病毒和癌症作斗争，或者有助于解决低铁健康问题 。
为了领导作者Jue Wang博士 ，该算法意外变得相关 。在进行该项目时 ，他的两岁儿子因RSV（呼吸道合胞病毒）在急诊单位住院，这种病毒通常表现出类似冷的症状 ，但在年轻人和老年人中可能是致命的。
当时 ，王正在使用算法来设计新处理，其中包括RSV上的潜在部位以进一步测试疫苗和药物 。这是一个相对绘制的结构 。软件幻觉设计 ，概括了两个位点 ，以使疫苗可能与之结合。使用幻觉的蛋白质进行的测试，在细菌中重建 ，迅速抓住了现有抗体 - 这是它们功能性和深度学习方法起作用的标志。
王说：“这一事件使我意识到 ，即使我们正在处理的'测试'问题实际上也很有意义 。”
在几个其他测试中，该团队为酶，蛋白质结合蛋白和蛋白质设计功能位点 ，这些蛋白质和蛋白质抓住金属离子 ，基本上是您如何吸收铁和其他重要金属 。
尽管强大，但有增长的空间。该方法为脱神秘蛋白质开辟了大门 ，但也有可能为合成生物学设计新的蛋白质 。
贝克说：“这些是非常有力的新方法 ，但仍然有很多改进的余地 。”
总的来说，这是深度学习的另一场胜利 ，也是AI和生物学如何协同作用的诱人展示。贝克说：“在过去的两年中 ，深度学习转化了蛋白质结构的预测，现在我们正处于蛋白质设计的类似转换中 。 ”
来源:https://xianggongguan.cn/life/202506-4456.html 来源:https://www.siyonli.com/zshi/202506-3502.html 来源:https://0514ps.com/zhis/202506-1679.html 来源:https://yayait.com/zlan/202506-9980.html 来源:https://www.siyonli.com/cshi/202506-3718.html 来源:https://xianggongguan.cn/life/202506-4501.html 来源:https://yayait.com/zshi/202506-9939.html 来源:https://0514ps.com/kxun/202506-1887.html 来源:https://0514ps.com/kxun/202506-1644.html 来源:https://yayait.com/zshi/202506-9992.html
来源:https://xianggongguan.cn/life/202506-4456.html 来源:https://www.siyonli.com/zshi/202506-3502.html 来源:https://0514ps.com/zhis/202506-1679.html 来源:https://yayait.com/zlan/202506-9980.html 来源:https://www.siyonli.com/cshi/202506-3718.html 来源:https://xianggongguan.cn/life/202506-4501.html 来源:https://yayait.com/zshi/202506-9939.html 来源:https://0514ps.com/kxun/202506-1887.html 来源:https://0514ps.com/kxun/202506-1644.html 来源:https://yayait.com/zshi/202506-9992.html
本文来自作者[霍新云]投稿，不代表策华号立场，如若转载，请注明出处：https://cehuayingxiao.cn/wiki/202506-39552.html
评论列表（4条）
我是策华号的签约作者“霍新云”！
希望本篇文章《AI越来越擅长模拟和设计蛋白质和药物》能对你有所帮助！
本站[策华号]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：AI越来越擅长模拟和设计蛋白质和药物 喜欢指数的未来？加入我们的Xpotential社区，订阅播客，通过Xpotential University的课程进行播客，未来的证...