LegközelebbKövetkező útmutató
AI az ügyféllemorzsolódás előrejelzésében
Alkalmazások
Alkalmazási ÚTMUTATÓ
A mesterséges intelligencia megjósolja a 3D-s formát, amelybe a fehérje csak az aminosav-szekvenciája alapján gyűrődik, megoldva egy 50 éves nagy kihívást a biológiában.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Mivel az alak határozza meg a funkciót, ez felgyorsítja a gyógyszerkutatást, az enzimtervezést és a betegségek kutatását.
A fehérjék olyan aminosavláncok, amelyek bonyolult 3D alakzatokká hajtódnak össze, és ez az alak határozza meg, mit csinál a fehérje. A hajtás előrejelzése önmagában a szekvencia alapján egykor szinte lehetetlen volt, lassú, drága laboratóriumi módszereket, például röntgenkrisztallográfiát igényelve. 2020-ban a DeepMind AlphaFold2 megdöbbentette a mezőnyt a CASP14 versenyen, és szinte kísérleti pontossággal jósolta meg a struktúrákat. Tanul a Protein Data Bank több tízezer ismert struktúrájából és a kapcsolódó szekvenciák evolúciós mintáiból. 2022-re az AlphaFold több mint 200 millió fehérje előre jelzett struktúráit bocsátott ki, amelyek szinte minden katalogizált szervezetet lefedtek. A 2024-es kémiai Nobel-díj elismerte ezt az áttörést, amely megváltoztatta a biológusok korábban megoldhatatlan szerkezeti kérdésekhez való hozzáállását.
A kutatók AlphaFold struktúrákat alkalmaztak a malária és az elhanyagolt trópusi betegségek fehérjéi elleni gátlójelöltek tervezésének felgyorsítására.
A tudósok olyan új enzimeket terveztek, amelyek lebontják a PET-műanyagot azáltal, hogy előre jelzik és optimalizálják a hajtogatott szerkezeteket a stabilitás érdekében.
A gyógyszergyártók átvizsgálják az AlphaFold által megjósolt struktúrákat, hogy azonosítsák a korábban nem jellemezhető betegségcélpontokon a gyógyszeres zsebeket.
A vakcinafejlesztők a kórokozó felszíni fehérjék 3D alakját modellezik, hogy erősebb immunválaszt kiváltó antigéneket tervezzenek.
A határ az egyedi statikus struktúrákon túl a fehérjedinamika, a több fehérje komplexek, valamint a DNS-sel, RNS-sel és kis molekulájú gyógyszerekkel való kölcsönhatások modellezése felé halad. Az AlphaFold3 (2024) és az olyan eszközök, mint a RoseTTAFold, már előre jelezték az ilyen interakciókat. A de novo fehérjetervezés generatív modelljei teljesen új fehérjéket hoznak létre, köztük egyedi enzimeket és kötőanyagokat, amelyek a természetben nem léteznek. Szorosabb integráció várható a wet-lab automatizálással, lezárva a hurkot az AI előrejelzése és a kísérleti validáció között.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A mesterséges intelligencia megjósolja a 3D-s formát, amelybe a fehérje csak az aminosav-szekvenciája alapján gyűrődik, megoldva egy 50 éves nagy kihívást a biológiában. Mivel az alak határozza meg a funkciót, ez felgyorsítja a gyógyszerkutatást, az enzimtervezést és a betegségek kutatását.
Az AlphaFold2 előrejelzi a hajtogatott 3D szerkezetet a fehérje egydimenziós aminosavszekvenciájából, valamint a kapcsolódó szekvenciákból származó evolúciós információkból kiindulva.
A fehérje 3D-s alakja meghatározza biológiai funkcióját, és azt, hogy mely molekulák, beleértve a gyógyszereket is, kölcsönhatásba léphetnek vele.
Amikor két aminosav együtt fejlődik a rokon fehérjék között, az gyakran azt jelzi, hogy fizikailag közel vannak a hajtogatott szerkezetben, ami a hálózat által használt kulcsfontosságú nyom.
Az AlphaFold2 szinte kísérleti pontosságát a CASP14-en, a kétévente végzett fehérjeszerkezet-előrejelzési felmérésen mutatták be 2020-ban.
A 2024-es kémiai Nobel-díj a fehérjeszerkezet előrejelzésével és a számítási fehérjetervezéssel kapcsolatos munkát díjazta.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
AI az ügyféllemorzsolódás előrejelzésében
Alkalmazások