


AlphaFold 2 untergräbt die Vorhersage der Proteinstruktur und verändert die Geschichte der Wissenschaft
Matthew Higgins, Professor an der Universität Oxford, beschäftigt sich mit einer klassischen, kopfkratzenden Frage: Wie sieht Protein eigentlich aus?
Seit 2005 konzentriert sich sein Labor auf Malaria-bezogene Themen.
Traditionelle Techniken konnten nur vage Umrisse von Proteinstrukturen erzeugen, was Higgins verwirrte.
Doch mithilfe einer neuen künstlichen Intelligenztechnologie namens AlphaFold 2 entschlüsselte er die Struktur eines Schlüsselproteins, das von dem Parasiten verwendet wird, der Malaria verursacht.
Dieser Durchbruch half ihm bei der Entwicklung eines experimentellen Malaria-Impfstoffs, der derzeit an Menschen getestet wird.
Malaria tötet jedes Jahr mehr als 6 Millionen Menschen, und diese Impfstoffe könnten der Schlüssel zur Bekämpfung der Krankheit sein. Ohne AlphaFold, sagte er, stünden wir möglicherweise immer noch vor einer Mauer.
An Higgins‘ Errungenschaften lässt sich leicht erkennen, dass AlphaFold 2 Wissenschaft und Medizin schnell untergräbt.
In nur wenigen Jahren hat sich DeepMind, das Startup für künstliche Intelligenz von Alphabet, von einem Sieger im Go-Spiel zur Lösung der großen Herausforderungen der Biologie entwickelt und wird mittlerweile von mehr als 1 Million Forschern, Universitäten und Forschern sowie Forschern von großen Unternehmen genutzt Pharmaunternehmen.
DeepMind CEO Demis Hassabis sagte letztes Jahr in einem Podcast: „AlphaFold ist überraschend, aber es ist erst der Anfang.“
Vom Siegeszug zur Veränderung der Wissenschaftsgeschichte
Heutzutage sind Proteine die Hauptziele fast aller Medikamente, daher ist das Verständnis der Proteinstruktur der Schlüssel zur Lösung, wie gezielt in Krankheitsphänotypen eingegriffen werden kann.
Vor AlphaFold war es eine schwierige Aufgabe, die Struktur eines Proteins zu finden.
Die traditionelle Methode besteht darin, dass Forscher das Protein kristallisieren und in eine Salzform umwandeln, gegen die das Protein sehr resistent ist. Wenn dies funktionierte, bombardierten sie jeden Kristall mit Röntgenstrahlen und beobachteten, wie Elektronen von ihm abprallten, um das Bild zu erzeugen.
Durch die Wiederholung dieses Vorgangs können Wissenschaftler die 3D-Struktur eines Proteins lernen.
Higgins sagte, es könne ein oder zwei Jahre dauern, bis ein Doktorand eine neue Struktur entdeckt, aber die Ergebnisse seien oft vage und unsicher.
DeepMind CEO Demis Hassabis ist ein Schachwunderkind und ein Evangelist für künstliche Intelligenz. Er gründete DeepMind im Jahr 2010 mit dem Ziel, künstliche Intelligenzsysteme zu entwickeln, die bestimmte Aufgaben genauso gut oder besser als Menschen erledigen können.
Im Jahr 2016 besiegte DeepMinds künstliches Intelligenzsystem AlphaGo Weltklassespieler im Go-Spiel.
Nach seinem Sieg bei Go beschlossen Hassabis und David Silver, ein Top-Wissenschaftler bei DeepMind, dass es an der Zeit sei, sich vom Wettkampf bei Go zu lösen und sich der Lösung realer Probleme zuzuwenden.
Also begannen sie, sich auf Proteinprobleme zu konzentrieren, und die jahrzehntelange Arbeit des Biologen John Moult ebnete DeepMind den Weg in die Biologie.
1994 gründete er den CASP Protein Structure Prediction Competition (Critical Assessment of Protein Structure Prediction).
Den Teilnehmern werden die Aminosäuresequenzen von etwa 100 unbekannten Proteinen zugewiesen. Die drei Strukturen dieser Proteine wurden bestimmt, aber nicht veröffentlicht.
Die Teams haben mehrere Monate Zeit, um mathematische Modelle zu entwickeln und anzuwenden, um diese unbekannten Strukturen zu lösen. Moult bewertet ihre Vorhersagen auf ihre Genauigkeit hin. Auf einer Skala von 100 bedeutet ein Wert über 90, dass die Strukturvorhersage nahezu perfekt ist.
DeepMind machte seinen ersten öffentlichen Versuch auf der CASP-Konferenz 2018. Die erste Version von AlphaFold gewann Wettbewerbe und übertraf weltweite Standards. Bei Wettbewerben liegt die Genauigkeit der Gewinnervorhersage typischerweise bei etwa 40 %, während das Ergebnis von AlphaFold bei 60 % lag.
Obwohl dieses Ergebnis beeindruckend ist, weisen die Vorhersagen von AlphaFold viele Fehler auf und sind noch nicht perfekt. Hassabis will es besser machen. Top-Wissenschaftler standen schon Monate vor der Veröffentlichung der CASP-Ergebnisse hinter AlphaFold. Einer von ihnen, John Jumper, plant mit seinem Team schrittweise Verbesserungen an der Technologie.
Hassabis hat sie unerwartet gestoppt, wahrscheinlich mit der Bedeutung „Ist es zu schwierig, dieses Problem mit dem aktuellen Modell zu lösen? Sollten wir separate Modelle herstellen?“# 🎜🎜##🎜 🎜#
Explosives Wachstum in den Biowissenschaften
In In den Monaten nach CASP ging DeepMind schnell voran.
Das Team hat alle 20.000 Proteine im Körper um Weihnachten 2020 vorhergesagt. Die Ergebnisse wurden im Juli 2021 zusammen mit dem Code für die Software in einem wegweisenden Artikel in Nature veröffentlicht, der mehr als 8.800 Mal zitiert wurde, also etwa 15 Mal am Tag.
Hassabis sagte, dass die Entscheidung, AlphaFold 2 kostenlos zu veröffentlichen, darin besteht, den Nutzen der Menschheit zu maximieren.
Laut CNBC verdient DeepMind, eine Tochtergesellschaft von Alphabet, Geld durch den Verkauf von Software und Diensten an andere Alphabet-Unternehmen wie YouTube und Google.
Anschließend gründete Hassabis 2021 das Biotechnologie-Startup Isomorphic Labs, um sich auf die Erforschung von Medikamenten zu konzentrieren. Mittlerweile läuft AlphaFold 2 reibungslos und hat letzten Sommer 200 Millionen Proteinstrukturvorhersagen veröffentlicht.
Das Tempo der Forschung nimmt rasant zu.
Laut Daten des biomedizinischen Forschungsverzeichnisses PubMed verwiesen im Jahr 2020 nur 4 Artikel auf AlphaFold. Diese Zahl wird im Jahr 2021 auf 92 Artikel und im Jahr 2022 auf 546 Artikel anwachsen. Im Jahr 2023 wird es mehr als 1.000 Beiträge geben. Einige Biotech-Unternehmen nutzen AlphaFold 2 mittlerweile zur Entwicklung von Medikamenten. „AlphaFold hat eine Innovationswelle ausgelöst, indem es den Menschen gezeigt hat, was möglich ist“, sagte Chris Bahl, Chefwissenschaftler beim Bostoner Startup AI Proteins, das AlphaFold auch bei der Entwicklung von Medikamenten unterstützt.
2019 arbeitete Raphael Townshend als DeepMind-Praktikant. während er seinen Doktortitel in Informatik an der Stanford University abschloss.
Jetzt leitet er in San Francisco ein Startup namens Atomic AI, in der Hoffnung, das zu entwickeln, was er die „AlphaFold der RNA“ nennt.
RNA liest die Anweisungen in unserer Genetik (DNA), um Proteine im Körper zu erzeugen.
Sein Unternehmen möchte die Struktur von RNA-Molekülen vorhersagen und hofft, diese Studien zur Entwicklung von Medikamenten nutzen zu können. Auch andere Biotech-Unternehmen nutzen AlphaFold in Verbindung mit anderen KI-Technologien, um schnell und kostengünstig potenzielle neue Medikamente zu entdecken. Zum Beispiel nutzt das Startup Insilico Medicine mit AlphaFold sein eigenes künstliches Intelligenzsystem, um Moleküle zu entwickeln, die mit Leberkrebs assoziierte Proteine blockieren können. Es stellte eines der Moleküle her und bestätigte anhand von Labortests, dass es funktionierte. Das Unternehmen veröffentlichte die Studie im Januar. Der CEO des Unternehmens, Alex Zhavoronkov, behauptet, dass sein Team nur etwa 50 Tage und weniger als 1 Million US-Dollar brauchte, um von der Suche nach dem Wirkstoffziel über die Entwicklung des Medikaments bis hin zum Testen im Labor zu gelangen aufzeichnen. Zhavoronkov hat ein Foto von Hassabis in seinem Büro: „AlphaFold ist eine wunderbare Entdeckung, aber es ist Teil eines riesigen Lego-Puzzles, das man braucht, um ein Medikament erfolgreich auf den Markt zu bringen.“ Obwohl diese Technologie der künstlichen Intelligenz die Arzneimittelentwicklung schneller und einfacher macht, plant das Unternehmen aufgrund der Kosten für klinische Studien nicht, seine Arzneimittel in Studien am Menschen voranzutreiben, da der Testprozess an Tieren und Menschen noch viele Jahre dauern wird Hunderte Millionen Dollar. Was kommt als nächstes? Das Potenzial künstlicher Intelligenz in der Biotechnologie ist begrenzt. Higgins von der Universität Oxford sagte, dass er selbst Laborexperimente nutzen werde, um die Vorhersagen der künstlichen Intelligenz noch einmal zu überprüfen, daher ist er bei Forschungsarbeiten, die ausschließlich auf AlphaFold-Vorhersagen basieren, vorsichtig, da es ihnen an experimenteller Verifizierung mangelt. Trotz dieser Einschränkungen ist AlphaFold 2 ein großer Durchbruch, der sogar Diskussionen über einen Nobelpreis ausgelöst hat, insbesondere nachdem es 2022 den Breakthrough Prize in Höhe von 3 Millionen US-Dollar gewonnen hat. Pedro Domingos, Professor für Informatik an der University of Washington, sagte, dass die Forschung des AlphaFold-Teams tiefer geht, etwa wie Proteine mit anderen Proteinen oder kleinen Molekülen interagieren. Solche Fragen seien sehr bedeutsam. Ihre Forschung wird in Zukunft immer schwieriger und es ist unklar, ob KI für die nächste Forschung in der Lage sein wird. Domingos glaubt jedoch, dass das Team von DeepMind sehr gut ist, und ist daher sehr optimistisch, was die zukünftige Entwicklung angeht. DeepMind hat einige Forschungen im Bereich der Genetik und der Vorhersage komplexerer Proteininteraktionen durchgeführt, aber welches große biologische Problem sie als nächstes angehen werden, bleibt rätselhaft und wurde nicht bekannt gegeben, so dass auch andere Institutionen in der Zukunft die Anwendung seiner Technologie durch das Unternehmen ebenfalls tun werden „immer schwerer zu fassen“ sein. Jumper von DeepMind sagt, dass sein AlphaFold-Team sich darauf konzentriert, die nächste große Hürde in der biologischen Forschung zu überwinden. Aber es bleibt ein Geheimnis. „Ich habe meine Theorien darüber, wohin das führen könnte, um welche Art von Technologie es sich handelt und wie die Zukunft aussehen könnte, und ich werde sie nicht verraten .“Die Vorhersagen von AlphaFold sind nicht immer perfekt. Dieses Vorhersagemodell ist bei der Lösung einer kleinen Gruppe unbekannter Proteine sehr genau, dies garantiert jedoch nicht, dass alle vorhergesagten Strukturen korrekt sind.
Das obige ist der detaillierte Inhalt vonAlphaFold 2 untergräbt die Vorhersage der Proteinstruktur und verändert die Geschichte der Wissenschaft. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Dieses KI-gestützte Programmiertool hat in dieser Phase der schnellen KI-Entwicklung eine große Anzahl nützlicher KI-gestützter Programmiertools zu Tage gefördert. KI-gestützte Programmiertools können die Entwicklungseffizienz verbessern, die Codequalität verbessern und Fehlerraten reduzieren. Sie sind wichtige Helfer im modernen Softwareentwicklungsprozess. Heute wird Dayao Ihnen 4 KI-gestützte Programmiertools vorstellen (und alle unterstützen die C#-Sprache). https://github.com/YSGStudyHards/DotNetGuide1.GitHubCopilotGitHubCopilot ist ein KI-Codierungsassistent, der Ihnen hilft, Code schneller und mit weniger Aufwand zu schreiben, sodass Sie sich mehr auf Problemlösung und Zusammenarbeit konzentrieren können. Git

Tutorial zur Entwicklung mobiler Anwendungen in der Go-Sprache Da der Markt für mobile Anwendungen weiterhin boomt, beginnen immer mehr Entwickler damit, sich mit der Verwendung der Go-Sprache für die Entwicklung mobiler Anwendungen zu befassen. Als einfache und effiziente Programmiersprache hat die Go-Sprache auch großes Potenzial für die Entwicklung mobiler Anwendungen gezeigt. In diesem Artikel wird detailliert beschrieben, wie die Go-Sprache zum Entwickeln mobiler Anwendungen verwendet wird, und es werden spezifische Codebeispiele angehängt, um den Lesern den schnellen Einstieg und die Entwicklung eigener mobiler Anwendungen zu erleichtern. 1. Vorbereitung Bevor wir beginnen, müssen wir die Entwicklungsumgebung und die Tools vorbereiten. Kopf

Am 3. März 2022, weniger als einen Monat nach der Geburt von Devin, dem weltweit ersten KI-Programmierer, entwickelte das NLP-Team der Princeton University einen Open-Source-KI-Programmierer-SWE-Agenten. Es nutzt das GPT-4-Modell, um Probleme in GitHub-Repositorys automatisch zu lösen. Die Leistung des SWE-Agenten auf dem SWE-Bench-Testsatz ist ähnlich wie die von Devin, er benötigt durchschnittlich 93 Sekunden und löst 12,29 % der Probleme. Durch die Interaktion mit einem dedizierten Terminal kann der SWE-Agent Dateiinhalte öffnen und durchsuchen, die automatische Syntaxprüfung verwenden, bestimmte Zeilen bearbeiten sowie Tests schreiben und ausführen. (Hinweis: Der obige Inhalt stellt eine geringfügige Anpassung des Originalinhalts dar, die Schlüsselinformationen im Originaltext bleiben jedoch erhalten und überschreiten nicht die angegebene Wortbeschränkung.) SWE-A

Zusammenfassung der fünf beliebtesten Go-Sprachbibliotheken: wesentliche Werkzeuge für die Entwicklung, die spezifische Codebeispiele erfordern Seit ihrer Geburt hat die Go-Sprache große Aufmerksamkeit und Anwendung gefunden. Als aufstrebende effiziente und prägnante Programmiersprache ist die schnelle Entwicklung von Go untrennbar mit der Unterstützung umfangreicher Open-Source-Bibliotheken verbunden. In diesem Artikel werden fünf beliebte Go-Sprachbibliotheken vorgestellt. Diese Bibliotheken spielen eine wichtige Rolle bei der Go-Entwicklung und bieten Entwicklern leistungsstarke Funktionen und praktische Entwicklungserfahrung. Um die Verwendung und Funktion dieser Bibliotheken besser zu verstehen, werden wir sie gleichzeitig anhand konkreter Codebeispiele erläutern.

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

„VSCode verstehen: Wofür wird dieses Tool verwendet?“ „Als Programmierer, egal ob Sie Anfänger oder erfahrener Entwickler sind, können Sie auf den Einsatz von Codebearbeitungstools nicht verzichten.“ Unter vielen Bearbeitungstools ist Visual Studio Code (kurz VSCode) bei Entwicklern als Open-Source-, leichter und leistungsstarker Code-Editor sehr beliebt. Wofür genau wird VSCode verwendet? Dieser Artikel befasst sich mit den Funktionen und Verwendungsmöglichkeiten von VSCode und stellt spezifische Codebeispiele bereit, um den Lesern zu helfen

PHP gehört zum Backend in der Webentwicklung. PHP ist eine serverseitige Skriptsprache, die hauptsächlich zur Verarbeitung serverseitiger Logik und zur Generierung dynamischer Webinhalte verwendet wird. Im Vergleich zur Front-End-Technologie wird PHP eher für Back-End-Vorgänge wie die Interaktion mit Datenbanken, die Verarbeitung von Benutzeranfragen und die Generierung von Seiteninhalten verwendet. Anschließend wird anhand konkreter Codebeispiele die Anwendung von PHP in der Backend-Entwicklung veranschaulicht. Schauen wir uns zunächst ein einfaches PHP-Codebeispiel zum Herstellen einer Verbindung zu einer Datenbank und zum Abfragen von Daten an:

Die Android-Entwicklung ist eine arbeitsreiche und spannende Aufgabe, und die Auswahl einer geeigneten Linux-Distribution für die Entwicklung ist besonders wichtig. Welche der vielen Linux-Distributionen eignet sich am besten für die Android-Entwicklung? In diesem Artikel wird dieses Problem unter verschiedenen Aspekten untersucht und spezifische Codebeispiele aufgeführt. Werfen wir zunächst einen Blick auf einige derzeit beliebte Linux-Distributionen: Ubuntu, Fedora, Debian, CentOS usw. Sie alle haben ihre eigenen Vorteile und Eigenschaften.
