Vi har också sett tecken på att förutsägelse av proteinstruktur kan vara användbar i framtida pandemiresponsinsatser, som ett av många verktyg som utvecklats av det vetenskapliga samfundet. Tidigare i år förutspådde vi flera proteinstrukturer av SARS-CoV-2-viruset, inklusive ORF3a, vars strukturer tidigare var okända. På CASP14 förutspådde vi strukturen för ett annat koronavirusprotein, ORF8. Imponerande snabbt arbete av experimentalister har nu bekräftat strukturerna för både ORF3a och ORF8. Trots deras utmanande natur och med mycket få relaterade sekvenser uppnådde vi en hög grad av noggrannhet på båda våra förutsägelser jämfört med deras experimentellt bestämda strukturer.förutom att påskynda förståelsen av kända sjukdomar är vi glada över potentialen för dessa tekniker att utforska de hundratals miljoner proteiner vi för närvarande inte har modeller för – en stor terräng av okänd biologi. Eftersom DNA specificerar aminosyrasekvenserna som innefattar proteinstrukturer har genomikrevolutionen gjort det möjligt att läsa proteinsekvenser från den naturliga världen i massiv skala – med 180 miljoner proteinsekvenser och räkna i Universal Protein database (UniProt). Däremot, med tanke på det experimentella arbetet som behövs för att gå från sekvens till struktur, finns endast cirka 170 000 proteinstrukturer i Proteindatabanken (PDB). Bland de obestämda proteinerna kan det finnas några med nya och spännande funktioner och – precis som ett teleskop hjälper oss att se djupare in i det okända universum-tekniker som AlphaFold kan hjälpa oss att hitta dem.
låsa upp nya möjligheter
AlphaFold är en av våra viktigaste framsteg hittills, men som med all vetenskaplig forskning finns det fortfarande många frågor att svara på. Inte varje struktur vi förutspår kommer att vara perfekt. Det finns fortfarande mycket att lära sig, inklusive hur flera proteiner bildar komplex, hur de interagerar med DNA, RNA eller små molekyler, och hur vi kan bestämma den exakta platsen för alla aminosyrasidokedjor. I samarbete med andra finns det också mycket att lära sig om hur man bäst kan använda dessa vetenskapliga upptäckter i utvecklingen av nya läkemedel, sätt att hantera miljön och mer.
för oss alla som arbetar med beräknings-och maskininlärningsmetoder inom vetenskapen visar system som AlphaFold den fantastiska potentialen för AI som ett verktyg för att underlätta grundläggande upptäckter. Precis som för 50 år sedan Anfinsen lade fram en utmaning långt bortom vetenskapens räckvidd vid den tiden, finns det många aspekter av vårt universum som förblir okända. De framsteg som tillkännages idag ger oss ytterligare förtroende för att AI kommer att bli ett av mänsklighetens mest användbara verktyg för att utöka gränserna för vetenskaplig kunskap, och vi ser fram emot de många år av hårt arbete och upptäckt framöver!
tills vi har publicerat ett papper om detta arbete, vänligen citera:
hög noggrannhet proteinstruktur Förutsägelse Med hjälp av djup inlärning
John Jumper, Richard Evans, Alexander Pritzel, Tim Green, Michael Figurnov, Kathryn Tunyasuvunakool, Olaf Ronneberger, Russ Bates, Augustin Auddek, 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 tillbaka, Stig Petersen, David Reiman, Martin Steinegger, Michalina Pacholska, David Silver, Oriol Vinyals, Andrew W Senior, Koray Kavukcuoglu, Pushmeet Kohli, Demis Hassabis.
i fjortonde kritisk bedömning av tekniker för förutsägelse av proteinstruktur (Abstrakt bok), 30 November – 4 December 2020. Hämtad härifrån.
Vi är precis i början av att utforska hur man bäst kan göra det möjligt för andra grupper att använda våra strukturprognoser, tillsammans med att förbereda ett peer-reviewed papper för publicering. Även om vårt team inte kommer att kunna svara på varje förfrågan, om AlphaFold kan vara relevant för ditt arbete, skicka in några rader om det till [email protected]. vi kommer att vara i kontakt om det finns utrymme för ytterligare utforskning.