Forskere ved University of Toronto's Donelly Centre har udviklet en banebrydende AI-model kaldet PepFlow, der kan forudsige de forskellige former, som peptider antager, med en hidtil uset n\u00f8jagtighed.\u00a0<\/b><\/p>\n
Peptider er sm\u00e5 molekyler, der best\u00e5r af aminosyrer, som er byggestenene i proteiner.\u00a0<\/span><\/p>\n Selvom peptider ligner proteiner, er de meget mindre og mere fleksible, hvilket g\u00f8r det muligt for dem at folde sig i mange forskellige former.\u00a0<\/span><\/p>\n Et peptids specifikke form er afg\u00f8rende, fordi den bestemmer, hvordan det interagerer med andre molekyler i kroppen, hvilket igen dikterer dets biologiske funktion.<\/span><\/p>\n Forudsigelse af proteiners og peptiders strukturer har l\u00e6nge v\u00e6ret en udfordring i biologien. P\u00e5 grund af den komplekse matematik, der er involveret, er det et fremragende problem for maskinl\u00e6ring.\u00a0<\/span><\/p>\n I de seneste \u00e5r har AI-modeller som <\/span>AlphaFold 2 og 3<\/span><\/a>udviklet af Googles DeepMind, har revolutioneret forudsigelsen af proteinstrukturer.\u00a0<\/span><\/p>\n AlphaFold2 bruger deep learning til at forudsige et proteins mest sandsynlige 3D-struktur ud fra dets aminosyresekvens. Men vi<\/span>elvom AlphaFold2 har v\u00e6ret en utrolig succes for proteiner, har det sine begr\u00e6nsninger, n\u00e5r det g\u00e6lder meget fleksible molekyler som peptider.<\/span><\/p>\n \"Vi har ikke v\u00e6ret i stand til at modellere hele spektret af konformationer for peptider f\u00f8r nu\". <\/span>sagde Osama Abdin<\/span><\/a>, unders\u00f8gelsens f\u00f8rsteforfatter.<\/span><\/p>\n Pepflow, dokumenteret i en unders\u00f8gelse offentliggjort<\/a> i Nature Machine Intelligence, \"udnytter dyb l\u00e6ring til at fange de pr\u00e6cise og n\u00f8jagtige konformationer af et peptid inden for f\u00e5 minutter.\"<\/span><\/p>\n PepFlow anvender AI-modeller inspireret af Boltzmann generators.<\/span> Disse modeller l\u00e6rer de grundl\u00e6ggende fysiske principper, der styrer, hvordan et peptids kemiske struktur bestemmer dets spektrum af mulige former.\u00a0<\/span><\/p>\n Det g\u00f8r det muligt for PepFlow pr\u00e6cist at forudsige strukturer af peptider med us\u00e6dvanlige egenskaber, f.eks. cirkul\u00e6re peptider, der er dannet ved makrocyklisering. Makrocykliske peptider er s\u00e6rligt interessante for l\u00e6gemiddeludvikling p\u00e5 grund af deres unikke bindingsegenskaber.<\/span><\/p>\n Det, der adskiller PepFlow fra modeller som AlphaFold2, er dens evne til at forudsige ikke bare \u00e9n struktur, men hele \"energilandskabet\" i et peptid.\u00a0<\/span><\/p>\n Energilandskabet repr\u00e6senterer alle de mulige former, et peptid kan antage, og hvordan det skifter mellem disse forskellige konformationer.<\/span><\/p>\n At indfange denne strukturelle kompleksitet er n\u00f8glen til u<\/span>ndervisning i, hvordan peptider fungerer i forskellige biologiske sammenh\u00e6nge.<\/span><\/p>\n Forskere ved @UofT<\/a> har udviklet en #DybdeL\u00e6ring<\/a> model, kaldet PepFlow, der kan forudsige alle mulige former for peptider.<\/p>\n PepFlow kan informere l\u00e6gemiddeludviklingen gennem design af peptider, der fungerer som bindemidler. 1TP5DrugDiscovery<\/a><\/p>\n F\u00e5 mere at vide \ud83d\udc49 https:\/\/t.co\/eAKOg5e7Cz<\/a> pic.twitter.com\/mYP9YeiCOe<\/a><\/p>\n - Donnelly Center (@DonnellyCentre) 27. juni 2024<\/a><\/p><\/blockquote>\n\n