také Jsme viděli známky toho, že proteinové struktury, predikce by mohly být užitečné v budoucnu reakci na pandemii úsilí, jako jeden z mnoha nástrojů vyvinut vědecké komunity. Začátkem tohoto roku jsme předpovídali několik proteinových struktur viru SARS-CoV-2, včetně ORF3a, jejichž struktury byly dříve neznámé. V CASP14 jsme předpověděli strukturu dalšího proteinu koronaviru, ORF8. Působivě Rychlá práce experimentátorů nyní potvrdila struktury ORF3a i ORF8. Přes jejich náročnou povahu a velmi málo souvisejících sekvencí, dosáhli jsme vysokého stupně přesnosti obou našich předpovědí ve srovnání s jejich experimentálně určenými strukturami.
stejně Jako urychlení porozumění známých nemocí, jsme nadšeni potenciálem pro tyto techniky, aby prozkoumala stovky milionů proteiny momentálně nemáme modely pro – obrovský terén neznámé biologie. Od DNA určuje sekvencí aminokyselin, které tvoří bílkovinné struktury, na genomiku revoluce bylo možné číst proteinových sekvencí z přirozeného světa v masovém měřítku – s 180 milionů proteinových sekvencí a počítání v Univerzální Proteinové databáze (UniProt). Naproti tomu Vzhledem k experimentální práci potřebné k přechodu ze sekvence na strukturu je v proteinové datové bance (PDB) pouze asi 170 000 proteinových struktur. Mezi neurčené bílkoviny mohou být některé nové a vzrušující funkce a – stejně jako dalekohled nám pomáhá vidět hlouběji do neznámého vesmíru – techniky, jako AlphaFold nám může pomoci je najít.
Odemykání nových možností.
AlphaFold je jedním z nejvíce významný pokrok k dnešnímu dni, ale, stejně jako u všech vědeckého výzkumu, stále existuje mnoho otázek k zodpovězení. Ne každá struktura, kterou předpovídáme, bude dokonalá. Stále je co učit, včetně toho, jak více proteinů tvoří komplexy, jak interagují s DNA, RNA nebo malými molekulami a jak můžeme určit přesné umístění všech postranních řetězců aminokyselin. Ve spolupráci s ostatními se také hodně dozvíte o tom, jak nejlépe využít tyto vědecké objevy při vývoji nových léků, způsobech řízení životního prostředí a dalších.
pro všechny z nás, kteří pracují na metodách výpočetního a strojového učení ve vědě, systémy jako AlphaFold ukazují ohromující potenciál AI jako nástroje na podporu zásadního objevu. Stejně jako před 50 lety anfinsen položil výzvu daleko za dosah vědy v té době, existuje mnoho aspektů našeho vesmíru, které zůstávají neznámé. Pokrok, dnes oznámila, nám dává další jistotu, že AI se stane jedním z lidstva nejvíce užitečných nástrojů na rozšíření hranic vědeckých znalostí, a těšíme se na mnoho let tvrdé práce a objevování toho!
dokud nezveřejníme článek o této práci, citujte prosím:
Vysoká Přesnost, Proteinové Struktury, Predikce Pomocí Hluboké Učení
John Jumper, Richard Evans, Alexander Pritzel, Tim Green, Michael Figurnov, Kathryn Tunyasuvunakool, Olaf Ronneberger, Russ Bates, Augustin Žídek, Alex Bridgland, Clemens Meyer, Simon A Kohl, Anna Potapenko, Andrew J. Ballard, Andrew Cowie, Bernardino Romera-Paredes, Stanislav Nikolov, Rishub Jain, Jonas Adler, Trevor Zpět, Stig Petersen, David Reiman, Martin Steinegger, Michalina Pacholska, David Silver, Oriol Vinyals, Andrew W Senior, Koray Kavukcuoglu, Pushmeet Kohli, Demis Hassabis.
ve čtrnáctém kritickém hodnocení technik pro predikci struktury proteinů( Abstraktní kniha), 30 listopad – 4 prosinec 2020. Získáno odtud.
Jsme hned na počátku zkoumání, jak nejlépe umožnit ostatním skupinám používat naše struktura předpovědi, vedle přípravy peer-reviewed paper pro zveřejnění. I když náš tým nebude schopen odpovědět na každý dotaz, Pokud AlphaFold může být relevantní pro vaši práci, odešlete o tom několik řádků [email protected] budeme v kontaktu, pokud bude prostor pro další průzkum.