Gli scienziati del Donelly Centre dell'Universit\u00e0 di Toronto hanno sviluppato un modello di intelligenza artificiale all'avanguardia, chiamato PepFlow, in grado di prevedere le diverse forme adottate dai peptidi con una precisione senza precedenti.\u00a0<\/b><\/p>\n
I peptidi sono piccole molecole composte da aminoacidi, i mattoni delle proteine.\u00a0<\/span><\/p>\n I peptidi sono simili alle proteine, ma sono molto pi\u00f9 piccoli e flessibili, il che consente loro di ripiegarsi in una grande variet\u00e0 di forme.\u00a0<\/span><\/p>\n La forma specifica di un peptide \u00e8 fondamentale perch\u00e9 determina il modo in cui interagisce con altre molecole dell'organismo, che a sua volta determina la sua funzione biologica.<\/span><\/p>\n La previsione delle strutture di proteine e peptidi \u00e8 una sfida di lunga data in biologia. A causa della complessa matematica coinvolta, \u00e8 un problema eccellente per l'apprendimento automatico.\u00a0<\/span><\/p>\n Negli ultimi anni, modelli di IA come <\/span>AlphaFold 2 e 3<\/span><\/a>sviluppati da DeepMind di Google, hanno rivoluzionato la previsione della struttura delle proteine.\u00a0<\/span><\/p>\n AlphaFold2 utilizza il deep learning per prevedere la struttura 3D pi\u00f9 probabile di una proteina in base alla sua sequenza di amminoacidi. Ma w<\/span>a AlphaFold2 ha avuto un successo incredibile per le proteine, ma ha dei limiti quando si tratta di molecole altamente flessibili come i peptidi.<\/span><\/p>\n \"Finora non siamo stati in grado di modellare l'intera gamma di conformazioni dei peptidi\". <\/span>ha detto Osama Abdin<\/span><\/a>, primo autore dello studio.<\/span><\/p>\n Pepflow, documentato in un studio pubblicato<\/a> in Nature Machine Intelligence, \"sfrutta l'apprendimento profondo per catturare le conformazioni precise e accurate di un peptide in pochi minuti\".<\/span><\/p>\n PepFlow impiega modelli di intelligenza artificiale ispirati a Boltzmann generators.<\/span> Questi modelli apprendono i principi fisici fondamentali che regolano il modo in cui la struttura chimica di un peptide determina il suo spettro di forme possibili.\u00a0<\/span><\/p>\n Ci\u00f2 consente a PepFlow di prevedere con precisione le strutture di peptidi con caratteristiche insolite, come i peptidi circolari formati per macrociclizzazione. I peptidi macrociclici sono particolarmente interessanti per lo sviluppo di farmaci grazie alle loro propriet\u00e0 di legame uniche.<\/span><\/p>\n Ci\u00f2 che distingue PepFlow da modelli come AlphaFold2 \u00e8 la sua capacit\u00e0 di prevedere non solo una struttura, ma l'intero \"paesaggio energetico\" di un peptide.\u00a0<\/span><\/p>\n Il paesaggio energetico rappresenta tutte le possibili forme che un peptide pu\u00f2 assumere e il modo in cui passa tra queste diverse conformazioni.<\/span><\/p>\n Catturare questa complessit\u00e0 strutturale \u00e8 fondamentale per u<\/span>ndividuare il funzionamento dei peptidi in diversi contesti biologici.<\/span><\/p>\n I ricercatori di @UofT<\/a> hanno sviluppato un #DeepLearning<\/a> modello, chiamato PepFlow, in grado di prevedere tutte le possibili forme dei peptidi.<\/p>\n PepFlow pu\u00f2 informare lo sviluppo di farmaci attraverso la progettazione di peptidi che agiscono come leganti. #DrugDiscovery<\/a><\/p>\n Per saperne di pi\u00f9 \ud83d\udc49 https:\/\/t.co\/eAKOg5e7Cz<\/a> pic.twitter.com\/mYP9YeiCOe<\/a><\/p>\n - Centro Donnelly (@DonnellyCentre) 27 giugno 2024<\/a><\/p><\/blockquote>\n\n