Wetenschappers van het Donelly Centre van de Universiteit van Toronto hebben een geavanceerd AI-model genaamd PepFlow ontwikkeld dat de verschillende vormen die peptiden aannemen met ongekende nauwkeurigheid kan voorspellen.\u00a0<\/b><\/p>\n
Peptiden zijn kleine moleculen die bestaan uit aminozuren, de bouwstenen van eiwitten.\u00a0<\/span><\/p>\n Hoewel peptiden lijken op eiwitten, zijn ze veel kleiner en flexibeler, waardoor ze zich in een enorme verscheidenheid aan vormen kunnen vouwen.\u00a0<\/span><\/p>\n De specifieke vorm van een peptide is cruciaal omdat deze bepaalt hoe het in wisselwerking staat met andere moleculen in het lichaam, wat op zijn beurt de biologische functie bepaalt.<\/span><\/p>\n Het voorspellen van de structuren van eiwitten en peptiden is al lange tijd een uitdaging in de biologie. Vanwege de complexe wiskunde is het een uitstekend probleem voor machine learning.\u00a0<\/span><\/p>\n In de afgelopen jaren hebben AI-modellen zoals <\/span>AlphaFold 2 en 3<\/span><\/a>ontwikkeld door Google's DeepMind, hebben een revolutie teweeggebracht in het voorspellen van eiwitstructuren.\u00a0<\/span><\/p>\n AlphaFold2 gebruikt deep learning om de meest waarschijnlijke 3D-structuur van een eiwit te voorspellen op basis van de aminozuurvolgorde. Maar w<\/span>Hoewel AlphaFold2 ongelooflijk succesvol is voor eiwitten, heeft het beperkingen als het gaat om zeer flexibele moleculen zoals peptiden.<\/span><\/p>\n \"Tot nu toe zijn we niet in staat geweest om het volledige scala aan conformaties voor peptiden te modelleren,\" aldus de onderzoekers. <\/span>aldus Osama Abdin<\/span><\/a>, de eerste auteur van het onderzoek.<\/span><\/p>\n Pepflow, gedocumenteerd in een gepubliceerde studie<\/a> in Nature Machine Intelligence, \"maakt gebruik van deep learning om binnen enkele minuten de precieze en nauwkeurige conformaties van een peptide vast te leggen.\"<\/span><\/p>\n PepFlow maakt gebruik van AI-modellen ge\u00efnspireerd door Boltzmann generators.<\/span> Deze modellen leren de fundamentele natuurkundige principes die bepalen hoe de chemische structuur van een peptide het spectrum van mogelijke vormen bepaalt.\u00a0<\/span><\/p>\n Hierdoor kan PepFlow nauwkeurig de structuren voorspellen van peptiden met ongebruikelijke eigenschappen, zoals circulaire peptiden gevormd door macrocyclisatie. Macrocyclische peptiden zijn bijzonder interessant voor de ontwikkeling van geneesmiddelen vanwege hun unieke bindende eigenschappen.<\/span><\/p>\n Wat PepFlow onderscheidt van modellen zoals AlphaFold2 is de mogelijkheid om niet slechts \u00e9\u00e9n structuur te voorspellen, maar het hele \"energielandschap\" van een peptide.\u00a0<\/span><\/p>\n Het energielandschap geeft alle mogelijke vormen weer die een peptide kan aannemen en hoe het overgaat tussen deze verschillende conformaties.<\/span><\/p>\n Het vastleggen van deze structurele complexiteit is de sleutel tot u<\/span>begrijpen hoe peptiden functioneren in verschillende biologische contexten.<\/span><\/p>\n Onderzoekers van @UofT<\/a> hebben een #DeepLearning<\/a> model, PepFlow genaamd, dat alle mogelijke vormen van peptiden kan voorspellen.<\/p>\n PepFlow kan informatie verschaffen over de ontwikkeling van geneesmiddelen door peptiden te ontwerpen die als binders fungeren. #DrugDiscovery<\/a><\/p>\n Meer informatie \ud83d\udc49 https:\/\/t.co\/eAKOg5e7Cz<\/a> pic.twitter.com\/mYP9YeiCOe<\/a><\/p>\n - Donnelly Centrum (@DonnellyCentrum) 27 juni 2024<\/a><\/p><\/blockquote>\n\n