Um einen erfolgreichen synthetischen Antikörper zu entwickeln, müssen die Forscher genau verstehen, wie diese Bindung ablaufen wird. Proteine mit klumpigen 3D-Strukturen, die viele Faltungen enthalten, können in Millionen von Kombinationen zusammenkleben, sodass es äußerst zeitaufwändig ist, unter fast unzähligen Kandidaten den richtigen Proteinkomplex zu finden.
Um den Prozess zu rationalisieren, erstellten MIT-Forscher ein maschinelles Lernmodell , das den Komplex, der sich bilden wird, wenn zwei Proteine aneinander binden, direkt vorhersagen kann. Ihre Technik ist zwischen 80- und 500-mal schneller als modernste Softwaremethoden und sagt oft Proteinstrukturen voraus, die den tatsächlich experimentell beobachteten Strukturen näher kommen.
Diese Technik könnte Wissenschaftlern helfen, einige biologische Prozesse besser zu verstehen, die Proteininteraktionen beinhalten, wie DNA-Replikation und -Reparatur; es könnte auch den Prozess der Entwicklung neuer Medikamente beschleunigen.
„Deep Learning ist sehr gut darin, Wechselwirkungen zwischen verschiedenen Proteinen zu erfassen, die sonst für Chemiker oder Biologen nur schwer experimentell zu beschreiben sind. Einige dieser Wechselwirkungen sind sehr kompliziert, und die Menschen haben keine guten Möglichkeiten gefunden, sie auszudrücken. Dieses Deep-Learning- Modell kann es Lernen Sie diese Art von Interaktionen aus Daten", sagt Octavian-Eugen Ganea, Postdoc am MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) und Co-Hauptautor der Veröffentlichung.
In Zukunft planen sie, Equidock so zu verbessern, dass es Vorhersagen für ein flexibles Protein-Docking treffen kann. Die größte Hürde dort ist der Mangel an Daten für das Training, daher arbeiten Ganea und seine Kollegen daran, synthetische Daten zu generieren, mit denen sie das Modell verbessern könnten.
https://phys.org/news/2022-02-artificial-intelligence-rapidly-proteins.html#aoh=16441972161629&csi=1&referrer=https%3A%2F%2Fwww.google.com&_tf=Von%20%251%24s&share=https%3A%2F%2Fphys.org%2Fnews%2F2022-02-artificial-intelligence-rapidly-proteins.html
@ https://t.me/PaulaPCay
Um den Prozess zu rationalisieren, erstellten MIT-Forscher ein maschinelles Lernmodell , das den Komplex, der sich bilden wird, wenn zwei Proteine aneinander binden, direkt vorhersagen kann. Ihre Technik ist zwischen 80- und 500-mal schneller als modernste Softwaremethoden und sagt oft Proteinstrukturen voraus, die den tatsächlich experimentell beobachteten Strukturen näher kommen.
Diese Technik könnte Wissenschaftlern helfen, einige biologische Prozesse besser zu verstehen, die Proteininteraktionen beinhalten, wie DNA-Replikation und -Reparatur; es könnte auch den Prozess der Entwicklung neuer Medikamente beschleunigen.
„Deep Learning ist sehr gut darin, Wechselwirkungen zwischen verschiedenen Proteinen zu erfassen, die sonst für Chemiker oder Biologen nur schwer experimentell zu beschreiben sind. Einige dieser Wechselwirkungen sind sehr kompliziert, und die Menschen haben keine guten Möglichkeiten gefunden, sie auszudrücken. Dieses Deep-Learning- Modell kann es Lernen Sie diese Art von Interaktionen aus Daten", sagt Octavian-Eugen Ganea, Postdoc am MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) und Co-Hauptautor der Veröffentlichung.
In Zukunft planen sie, Equidock so zu verbessern, dass es Vorhersagen für ein flexibles Protein-Docking treffen kann. Die größte Hürde dort ist der Mangel an Daten für das Training, daher arbeiten Ganea und seine Kollegen daran, synthetische Daten zu generieren, mit denen sie das Modell verbessern könnten.
https://phys.org/news/2022-02-artificial-intelligence-rapidly-proteins.html#aoh=16441972161629&csi=1&referrer=https%3A%2F%2Fwww.google.com&_tf=Von%20%251%24s&share=https%3A%2F%2Fphys.org%2Fnews%2F2022-02-artificial-intelligence-rapidly-proteins.html
@ https://t.me/PaulaPCay
Comments
Be the first to add a comment
Log in to comment