Нов изкуствен интелект изпреварва AlphaFold2 на Google DeepMind в декодирането на пептидите
Изследователи от Университета в Торонто създадоха модел за надълбоко образование, наименуван PepFlow. Новият инструмент предвижда всички вероятни форми на пептидите – вериги от аминокиселини, които са по-къси от протеините, само че извършват сходни биологични функционалности. Това уголемява функционалността на AlphaFold2 на Гугъл DeepMind, който предвижда структурата на протеините. Моделирането на 3D структурата на пептидите ще помогне за основаването на нови медикаменти, които се свързват по-добре с целите. Освен това производството на пептиди е по-евтино, в сравнение с основаването на техните по-големи протеинови аналози.
PepFlow употребява машинно образование, съчетано с физични правила, с цел да моделира диапазона от вероятните разновидности на прегъване на пептида въз основа на неговия енергиен пейзаж. Това става за няколко минути. За разлика от протеините, пептидите са по-динамични молекули, способни да одобряват избрани пространствени конфигурации.
Ролята на пептида в човешкия организъм е директно обвързвана с метода, по който е прегънат. Триизмерната настройка дефинира метода, по който той се свързва и взаимодейства с другите молекули. Известно е, че пептидите са доста гъвкави и одобряват разнообразни пространствени конфигурации. Поради това те вземат участие в доста биологични процеси, представляващи интерес за откривателите, които създават медикаменти. Пептидите са и по-евтини за произвеждане от по-големите си белтъчни аналози.
Новият модел уголемява функционалността на водещата система за изкуствен интелект DeepMind на Гугъл за прогнозиране структурата на протеините – AlphaFold. Новият PepFlow на процедура превъзхожда AlphaFold2, защото може да генерира цялостен набор от конформации за даден пептид – нещо, което AlphaFold2 в началото не дава.
PepFlow е систематизиран модел, който черпи ентусиазъм от генераторите на Болцман. Това са извънредно комплицирани модели за машинно образование, учредени на правилата на физиката.
Инструментът също по този начин моделира пептидни структури с необикновени формирания, като да вземем за пример пръстеновидната конструкция, която се получава при макроциклизация. Пептидните макроцикли са обещаваща област за създаване на медикаменти.
PepFlow обаче има ограничавания, защото това е първата версия на модела. Авторите на проучването означават редица области за по-нататъшно рационализиране на PepFlow. Те включват: образование на модела с данни за молекулите на разтворителя и отчитане на рестриктивните мерки на дистанцията сред атомите в цикличните структури.
