Forskere ved Donelly Centre ved University of Toronto har utviklet en banebrytende AI-modell kalt PepFlow, som kan forutsi de ulike formene som peptider antar, med enest\u00e5ende n\u00f8yaktighet.\u00a0<\/b><\/p>\n
Peptider er sm\u00e5 molekyler som best\u00e5r av aminosyrer, byggesteinene i proteiner.\u00a0<\/span><\/p>\n Peptider ligner p\u00e5 proteiner, men de er mye mindre og mer fleksible, noe som gj\u00f8r at de kan foldes i en rekke ulike former.\u00a0<\/span><\/p>\n Et peptids spesifikke form er avgj\u00f8rende fordi den bestemmer hvordan det interagerer med andre molekyler i kroppen, noe som i sin tur dikterer dets biologiske funksjon.<\/span><\/p>\n \u00c5 forutsi strukturen til proteiner og peptider har lenge v\u00e6rt en utfordring innen biologien. P\u00e5 grunn av den komplekse matematikken som er involvert, er det et utmerket problem for maskinl\u00e6ring.\u00a0<\/span><\/p>\n De siste \u00e5rene har AI-modeller som <\/span>AlphaFold 2 og 3<\/span><\/a>utviklet av Googles DeepMind, har revolusjonert prediksjon av proteinstrukturer.\u00a0<\/span><\/p>\n AlphaFold2 bruker dyp l\u00e6ring til \u00e5 forutsi den mest sannsynlige 3D-strukturen til et protein basert p\u00e5 aminosyresekvensen. Men w<\/span>elv om AlphaFold2 har v\u00e6rt utrolig vellykket for proteiner, har det sine begrensninger n\u00e5r det gjelder sv\u00e6rt fleksible molekyler som peptider.<\/span><\/p>\n \"Vi har ikke v\u00e6rt i stand til \u00e5 modellere hele spekteret av konformasjoner for peptider f\u00f8r n\u00e5\", sier han. <\/span>sa Osama Abdin<\/span><\/a>, studiens f\u00f8rsteforfatter.<\/span><\/p>\n Pepflow, dokumentert i en studie publisert<\/a> i Nature Machine Intelligence, \"utnytter dyp l\u00e6ring til \u00e5 fange opp presise og n\u00f8yaktige konformasjoner av et peptid i l\u00f8pet av minutter\".<\/span><\/p>\n PepFlow benytter AI-modeller inspirert av Boltzmann generators.<\/span> Disse modellene l\u00e6rer oss de grunnleggende fysiske prinsippene som styrer hvordan peptiders kjemiske struktur bestemmer spekteret av mulige former.\u00a0<\/span><\/p>\n Dette gj\u00f8r det mulig for PepFlow \u00e5 forutsi strukturene til peptider med uvanlige egenskaper, for eksempel sirkul\u00e6re peptider som dannes gjennom makrosyklisering. Makrosykliske peptider er spesielt interessante for legemiddelutvikling p\u00e5 grunn av deres unike bindingsegenskaper.<\/span><\/p>\n Det som skiller PepFlow fra modeller som AlphaFold2, er at den ikke bare kan forutsi \u00e9n struktur, men hele \"energilandskapet\" til et peptid.\u00a0<\/span><\/p>\n Energilandskapet representerer alle de mulige formene et peptid kan anta, og hvordan det skifter mellom disse ulike konformasjonene.<\/span><\/p>\n \u00c5 fange opp denne strukturelle kompleksiteten er n\u00f8kkelen til \u00e5<\/span>nderst\u00e5 hvordan peptider fungerer i ulike biologiske sammenhenger.<\/span><\/p>\n Forskere ved @UofT<\/a> har utviklet en #DeepLearning<\/a> modell, kalt PepFlow, som kan forutsi alle mulige peptidformer.<\/p>\n PepFlow kan bidra til legemiddelutvikling gjennom design av peptider som fungerer som bindemidler. #DrugDiscovery<\/a><\/p>\n L\u00e6r mer \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