widzieliśmy również oznaki, że przewidywanie struktury białka może być przydatne w przyszłych wysiłkach związanych z odpowiedzią na pandemię, jako jedno z wielu narzędzi opracowanych przez społeczność naukową. Na początku tego roku przewidzieliśmy kilka struktur białkowych wirusa SARS-COV-2, w tym ORF3a, którego struktury były wcześniej nieznane. W CASP14 przewidzieliśmy strukturę innego białka koronawirusa, ORF8. Imponująco szybkie prace eksperymentatorów potwierdziły teraz struktury zarówno ORF3a, jak i ORF8. Pomimo ich trudnego charakteru i posiadania bardzo niewielu powiązanych sekwencji, osiągnęliśmy wysoki stopień dokładności obu naszych prognoz w porównaniu z ich eksperymentalnie ustalonymi strukturami.
oprócz przyspieszenia zrozumienia znanych chorób, jesteśmy podekscytowani potencjałem tych technik do zbadania setek milionów białek, dla których nie mamy obecnie modeli – rozległego terenu nieznanej biologii. Ponieważ DNA określa sekwencje aminokwasowe, które zawierają struktury białkowe, rewolucja genomiczna umożliwiła odczyt sekwencji białkowych ze świata przyrody na masową skalę-z 180 milionami sekwencji białkowych i liczącymi w Universal Protein database (UniProt). W przeciwieństwie do tego, biorąc pod uwagę eksperymentalne prace potrzebne do przejścia od sekwencji do struktury, tylko około 170 000 struktur białkowych znajduje się w banku danych o białkach (PDB). Wśród nieokreślonych białek mogą być niektóre o nowych i ekscytujących funkcjach i – tak jak teleskop pomaga nam zajrzeć głębiej w Nieznany wszechświat-techniki takie jak AlphaFold mogą pomóc nam je znaleźć.
odblokowanie nowych możliwości
AlphaFold jest jednym z naszych najważniejszych osiągnięć do tej pory, ale, jak w przypadku wszystkich badań naukowych, wciąż pozostaje wiele pytań do odpowiedzi. Nie każda struktura, którą przewidujemy, będzie doskonała. Jest jeszcze wiele do nauczenia, w tym jak wiele białek tworzy kompleksy, jak oddziałują z DNA, RNA lub małymi cząsteczkami i jak możemy określić dokładną lokalizację wszystkich łańcuchów bocznych aminokwasów. We współpracy z innymi należy również dowiedzieć się, jak najlepiej wykorzystać te odkrycia naukowe w opracowywaniu nowych leków, sposobach zarządzania środowiskiem i nie tylko.
dla nas wszystkich pracujących nad metodami obliczeniowymi i maszynowymi w nauce, systemy takie jak AlphaFold demonstrują oszałamiający potencjał sztucznej inteligencji jako narzędzia wspomagającego fundamentalne odkrycia. Tak jak 50 lat temu Anfinsen postawił wyzwanie daleko poza zasięgiem nauki w tym czasie, istnieje wiele aspektów naszego wszechświata, które pozostają nieznane. Ogłoszony dzisiaj postęp daje nam jeszcze większą pewność, że sztuczna inteligencja stanie się jednym z najbardziej użytecznych narzędzi ludzkości w poszerzaniu granic wiedzy naukowej.
:
wysoka dokładność przewidywania struktury białka przy użyciu głębokiego uczenia
John Jumper, Richard Evans, Alexander Pritzel, Tim Green, Michael Figurnov, Kathryn Tunyasuvunakool, Olaf Ronneberger, Russ Bates, Augustin Žídek, Alex Bridgland, Clemens Meyer, Simon A A Kohl, Anna Potapenko, Andrew J Ballard, Andrew Cowie, Bernardino Romera-Paredes, Stanislav Nikolov, Rishub Jain, Jonas Adler, Trevor Back, Stig Petersen, David Reiman, Martin Steinegger, Michalina Pacholska, David silver, Oriol Vinyals, Andrew w Senior, Koray Kavukcuoglu, Pushmeet Kohli, Demis Hassabis.
in Fourteenth Critical Assessment of Techniques for Protein Structure Prediction (Abstract Book), 30 November – 4 December 2020. Pobrane stąd.
jesteśmy na samym początku badania, jak najlepiej umożliwić innym grupom korzystanie z naszych prognoz struktury, wraz z przygotowaniem recenzowanego artykułu do publikacji. Chociaż nasz zespół nie będzie w stanie odpowiedzieć na każde zapytanie, jeśli AlphaFold może mieć znaczenie dla twojej pracy, prześlij kilka linijek na ten temat do [email protected] będziemy w kontakcie, jeśli będzie możliwość dalszych poszukiwań.