Des scientifiques du centre Donelly de l'universit\u00e9 de Toronto ont mis au point un mod\u00e8le d'intelligence artificielle de pointe appel\u00e9 PepFlow, capable de pr\u00e9dire les diverses formes adopt\u00e9es par les peptides avec une pr\u00e9cision sans pr\u00e9c\u00e9dent.\u00a0<\/b><\/p>\n
Les peptides sont de petites mol\u00e9cules compos\u00e9es d'acides amin\u00e9s, les \u00e9l\u00e9ments constitutifs des prot\u00e9ines.\u00a0<\/span><\/p>\n Si les peptides sont semblables aux prot\u00e9ines, ils sont beaucoup plus petits et plus flexibles, ce qui leur permet de se plier en une grande vari\u00e9t\u00e9 de formes.\u00a0<\/span><\/p>\n La forme sp\u00e9cifique d'un peptide est cruciale car elle d\u00e9termine la fa\u00e7on dont il interagit avec d'autres mol\u00e9cules dans le corps, ce qui dicte sa fonction biologique.<\/span><\/p>\n La pr\u00e9diction des structures des prot\u00e9ines et des peptides est un d\u00e9fi de longue date en biologie. En raison de la complexit\u00e9 des math\u00e9matiques impliqu\u00e9es, il s'agit d'un excellent probl\u00e8me pour l'apprentissage automatique.\u00a0<\/span><\/p>\n Ces derni\u00e8res ann\u00e9es, des mod\u00e8les d'IA tels que <\/span>AlphaFold 2 et 3<\/span><\/a>d\u00e9velopp\u00e9s par DeepMind de Google, ont r\u00e9volutionn\u00e9 la pr\u00e9diction de la structure des prot\u00e9ines.\u00a0<\/span><\/p>\n AlphaFold2 utilise l'apprentissage profond pour pr\u00e9dire la structure 3D la plus probable d'une prot\u00e9ine sur la base de sa s\u00e9quence d'acides amin\u00e9s. Mais w<\/span>i AlphaFold2 a connu un succ\u00e8s incroyable pour les prot\u00e9ines, il a des limites lorsqu'il s'agit de mol\u00e9cules tr\u00e8s flexibles comme les peptides.<\/span><\/p>\n \"Jusqu'\u00e0 pr\u00e9sent, nous n'avons pas \u00e9t\u00e9 en mesure de mod\u00e9liser l'ensemble des conformations des peptides\". <\/span>a d\u00e9clar\u00e9 Osama Abdin<\/span><\/a>, premier auteur de l'\u00e9tude.<\/span><\/p>\n Pepflow, document\u00e9 dans un \u00e9tude publi\u00e9e<\/a> dans Nature Machine Intelligence, \"s'appuie sur l'apprentissage profond pour capturer les conformations pr\u00e9cises et exactes d'un peptide en quelques minutes\".<\/span><\/p>\n PepFlow utilise des mod\u00e8les d'intelligence artificielle inspir\u00e9s de Boltzmann generators.<\/span> Ces mod\u00e8les permettent d'apprendre les principes physiques fondamentaux qui r\u00e9gissent la fa\u00e7on dont la structure chimique d'un peptide d\u00e9termine son spectre de formes possibles.\u00a0<\/span><\/p>\n Cela permet \u00e0 PepFlow de pr\u00e9dire avec pr\u00e9cision les structures de peptides pr\u00e9sentant des caract\u00e9ristiques inhabituelles, telles que les peptides circulaires form\u00e9s par macrocyclisation. Les peptides macrocycliques sont particuli\u00e8rement int\u00e9ressants pour le d\u00e9veloppement de m\u00e9dicaments en raison de leurs propri\u00e9t\u00e9s de liaison uniques.<\/span><\/p>\n Ce qui distingue PepFlow des mod\u00e8les comme AlphaFold2, c'est sa capacit\u00e9 \u00e0 pr\u00e9dire non seulement une structure, mais l'ensemble du \"paysage \u00e9nerg\u00e9tique\" d'un peptide.\u00a0<\/span><\/p>\n Le paysage \u00e9nerg\u00e9tique repr\u00e9sente toutes les formes possibles que peut prendre un peptide et la fa\u00e7on dont il passe d'une conformation \u00e0 l'autre.<\/span><\/p>\n La saisie de cette complexit\u00e9 structurelle est essentielle pour u<\/span>comprendre comment les peptides fonctionnent dans diff\u00e9rents contextes biologiques.<\/span><\/p>\n Les chercheurs de @UofT<\/a> ont d\u00e9velopp\u00e9 une #DeepLearning<\/a> appel\u00e9 PepFlow, qui peut pr\u00e9dire toutes les formes possibles de peptides.<\/p>\n PepFlow peut contribuer au d\u00e9veloppement de m\u00e9dicaments en concevant des peptides qui agissent comme des liants. 1TP5D\u00e9couverte des m\u00e9dicaments<\/a><\/p>\n En savoir plus \ud83d\udc49 https:\/\/t.co\/eAKOg5e7Cz<\/a> pic.twitter.com\/mYP9YeiCOe<\/a><\/p>\n - Centre Donnelly (@DonnellyCentre) 27 juin 2024<\/a><\/p><\/blockquote>\n\n