Wissenschaftler am Donelly Centre der Universit\u00e4t Toronto haben ein innovatives KI-Modell namens PepFlow entwickelt, das die verschiedenen Formen, die Peptide annehmen, mit bisher unerreichter Genauigkeit vorhersagen kann.\u00a0<\/b><\/p>\n
Peptide sind kleine Molek\u00fcle, die aus Aminos\u00e4uren, den Bausteinen der Proteine, bestehen.\u00a0<\/span><\/p>\n Peptide \u00e4hneln zwar den Proteinen, sind aber viel kleiner und flexibler, so dass sie sich in eine Vielzahl von Formen falten k\u00f6nnen.\u00a0<\/span><\/p>\n Die spezifische Form eines Peptids ist entscheidend, denn sie bestimmt, wie es mit anderen Molek\u00fclen im K\u00f6rper interagiert, was wiederum seine biologische Funktion bestimmt.<\/span><\/p>\n Die Vorhersage der Strukturen von Proteinen und Peptiden ist seit langem eine Herausforderung in der Biologie. Aufgrund der komplexen mathematischen Zusammenh\u00e4nge ist dies ein hervorragendes Problem f\u00fcr maschinelles Lernen.\u00a0<\/span><\/p>\n In den letzten Jahren haben KI-Modelle wie <\/span>AlphaFold 2 und 3<\/span><\/a>die von Googles DeepMind entwickelt wurden, haben die Vorhersage von Proteinstrukturen revolutioniert.\u00a0<\/span><\/p>\n AlphaFold2 nutzt Deep Learning, um die wahrscheinlichste 3D-Struktur eines Proteins auf der Grundlage seiner Aminos\u00e4uresequenz vorherzusagen. Aber w<\/span>\u00e4hrend AlphaFold2 f\u00fcr Proteine unglaublich erfolgreich war, st\u00f6\u00dft es bei hochflexiblen Molek\u00fclen wie Peptiden an seine Grenzen.<\/span><\/p>\n \"Wir waren bisher nicht in der Lage, die gesamte Bandbreite der Konformationen von Peptiden zu modellieren\". <\/span>sagte Osama Abdin<\/span><\/a>so der Erstautor der Studie.<\/span><\/p>\n Pepflow, dokumentiert in einem Studie ver\u00f6ffentlicht<\/a> in Nature Machine Intelligence, \"nutzt Deep-Learning, um die pr\u00e4zisen und genauen Konformationen eines Peptids innerhalb von Minuten zu erfassen.\"<\/span><\/p>\n PepFlow verwendet KI-Modelle, die von Boltzmann generators.<\/span> Diese Modelle vermitteln die grundlegenden physikalischen Prinzipien, die bestimmen, wie die chemische Struktur eines Peptids sein Spektrum an m\u00f6glichen Formen bestimmt.\u00a0<\/span><\/p>\n Dadurch kann PepFlow die Strukturen von Peptiden mit ungew\u00f6hnlichen Merkmalen, wie z. B. zirkul\u00e4re Peptide, die durch Makrozyklisierung entstehen, genau vorhersagen. Makrozyklische Peptide sind aufgrund ihrer einzigartigen Bindungseigenschaften f\u00fcr die Arzneimittelentwicklung besonders interessant.<\/span><\/p>\n Was PepFlow von Modellen wie AlphaFold2 unterscheidet, ist seine F\u00e4higkeit, nicht nur eine Struktur, sondern die gesamte Energielandschaft\" eines Peptids vorherzusagen.\u00a0<\/span><\/p>\n Die Energielandschaft stellt alle m\u00f6glichen Formen dar, die ein Peptid annehmen kann, und wie es zwischen diesen verschiedenen Konformationen wechselt.<\/span><\/p>\n Das Erfassen dieser strukturellen Komplexit\u00e4t ist der Schl\u00fcssel zu u<\/span>\u00fcr das Verst\u00e4ndnis der Funktion von Peptiden in verschiedenen biologischen Zusammenh\u00e4ngen.<\/span><\/p>\n Forscher bei @UofT<\/a> haben eine #DeepLearning<\/a> Modell, genannt PepFlow, das alle m\u00f6glichen Formen von Peptiden vorhersagen kann.<\/p>\n PepFlow kann durch das Design von Peptiden, die als Bindemittel wirken, Informationen f\u00fcr die Arzneimittelentwicklung liefern. #DrugDiscovery<\/a><\/p>\n Mehr erfahren \ud83d\udc49 https:\/\/t.co\/eAKOg5e7Cz<\/a> pic.twitter.com\/mYP9YeiCOe<\/a><\/p>\n - Donnelly Centre (@DonnellyCentre) 27. Juni 2024<\/a><\/p><\/blockquote>\n\n