


Nouvelle méthode de glycoprotéomique, Fudan a développé un cadre hybride de bout en bout basé sur Transformer et GNN, publié dans la sous-journal Nature
La glycosylation des protéines est une modification post-traductionnelle des protéines par des groupes sucre, qui joue un rôle important dans diverses fonctions physiologiques et pathologiques des cellules.
La glycoprotéomique est l'étude de la glycosylation des protéines au sein du protéome, en utilisant la chromatographie liquide couplée à la technologie de spectrométrie de masse tandem (MS/MS) pour obtenir des informations combinées sur les sites de glycosylation, les niveaux de glycosylation et les structures des sucres.
Cependant, les méthodes actuelles de recherche dans les bases de données pour la glycoprotéomique ont souvent des difficultés à déterminer les structures des glycanes en raison de l'apparition limitée d'ions déterminant la structure. Bien que les méthodes de recherche spectrale puissent exploiter l’intensité de la fragmentation pour faciliter l’identification structurelle des glycopeptides, les difficultés liées à la construction d’une bibliothèque spectrale entravent leur application.
Dans la dernière étude, des chercheurs de l'Université de Fudan ont proposé DeepGP, un cadre d'apprentissage profond hybride basé sur les réseaux neuronaux Transformer et graph, pour prédire les spectres MS/MS et les temps de rétention (RT) des glycopeptides.
Deux modules de réseau neuronal graphique sont utilisés pour capturer les structures de sucre ramifiées et prédire respectivement la force des ions sucre. De plus, une stratégie de pré-formation a été mise en œuvre pour pallier le manque de données glycoprotéomiques.
La recherche s'intitulait « La prédiction de l'apprentissage profond des spectres de masse en tandem des glycopeptides alimente la glycoprotéomique » et a été publiée dans « Nature Machine Intelligence » le 30 juillet 2024.
Au cours du processus de glycosylation, les molécules de sucre sont attachées aux chaînes latérales de résidus d'acides aminés spécifiques, ce qui entraîne une hétérogénéité structurelle, entraînant la diversité des isomères des glycopeptides et augmentant la difficulté d'identification.
La spectrométrie de masse en tandem par chromatographie liquide (LC-MS/MS) est la principale technique pour identifier les glycopeptides par ions fragments et poids moléculaire combinés avec la RT. Le rapport masse/charge (m/z) seul ne suffit pas à déterminer la structure du sucre, c'est pourquoi les scientifiques utilisent des méthodes d'appariement spectral pour améliorer la sensibilité d'identification. Cependant, la construction de bibliothèques spectrales de glycopeptides MS/MS est coûteuse et complexe.
Ces dernières années, l’apprentissage profond a fait des progrès dans la prédiction du spectre peptidique MS/MS. Cependant, le nombre relativement faible d’ensembles de données glycopeptidomiques actuels et le manque de protocoles standardisés pour générer des données de spectrométrie de masse des glycopeptides limitent la disponibilité de données appropriées pour la formation de modèles d’apprentissage en profondeur.
À cette fin, des chercheurs de l'Université de Fudan proposent DeepGP, un cadre hybride de bout en bout basé sur l'apprentissage profond pour les spectres MS/MS complets des N-glycopeptides et la prédiction RT. Le cadre d'apprentissage en profondeur se compose d'un module Transformer pré-entraîné et de deux modules de réseau neuronal graphique (GNN).
- Le sucre La structure est intégrée via GNN, convertissant le glycopeptide en un graphique :
- Nœud : Monosaccharide
- Illustration : Distinguer les compositions de glycanes similaires sur des ensembles de données synthétiques basés sur DeepGP. (Source : article)
- Deux modules GNN capturent la structure du sucre et prédisent l'intensité des ions sucre Les chercheurs ont évalué trois architectures GNN, dont le réseau convolutif de graphe (GCN), le réseau d'isomorphisme de graphe (GIN) et le réseau d'attention de graphe (GAT) pour l'intercalation du sucre. et prédiction de l'intensité des ions B/Y.
- GCN utilise des opérations de convolution pour obtenir des représentations de nœuds et implémente un protocole de transmission de messages pour agréger les représentations de nœuds adjacents ; GIN fonctionne bien dans les tests d'isomorphisme graphique GAT intègre un mécanisme d'attention pour permettre au modèle de se concentrer sur les parties les plus pertinentes de l'entrée ; . Les résultats expérimentaux montrent que GCN fonctionne mieux dans la tâche d'intégration du sucre, tandis que GIN fonctionne bien dans la tâche de prédiction de l'intensité des ions B/Y, c'est pourquoi GCN et GIN ont été sélectionnés pour l'analyse correspondante.
- Illustration : performances DeepGP en prédiction MS/MS. (Source : article)
-
Stratégie de pré-entraînement pour pallier la pénurie de données glycoprotéomiques
- DeepGP utilise une grande quantité de données en langage naturel non étiquetées pour le pré-entraînement, similaire à des modèles tels que BERT. La pré-formation permet au modèle de disposer d'une base de connaissances avant la formation formelle, améliorant ainsi ses performances dans le traitement de données annotées à petite échelle.
Tests sur plusieurs ensembles de données biologiques
Les chercheurs ont démontré la grande précision de DeepGP dans les prédictions MS/MS et RT à l’aide d’ensembles de données d’échantillons de souris et d’humains.
Illustration : DeepGP combiné avec pGlyco3 (une méthode de recherche de glycopeptides) pour l'identification des glycopeptides. (Source : article)Une analyse comparative complète de DeepGP sur des ensembles de données synthétiques et biologiques valide son efficacité à distinguer des glycanes similaires. DeepGP combiné aux recherches dans les bases de données améliore la sensibilité de la détection des glycopeptides.
Lien papier :
https://www.nature.com/articles/s42256-024-00875-x - DeepGP utilise une grande quantité de données en langage naturel non étiquetées pour le pré-entraînement, similaire à des modèles tels que BERT. La pré-formation permet au modèle de disposer d'une base de connaissances avant la formation formelle, améliorant ainsi ses performances dans le traitement de données annotées à petite échelle.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

Video Face Swap
Échangez les visages dans n'importe quelle vidéo sans effort grâce à notre outil d'échange de visage AI entièrement gratuit !

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds











Dans la fabrication moderne, une détection précise des défauts est non seulement la clé pour garantir la qualité des produits, mais également la clé de l’amélioration de l’efficacité de la production. Cependant, les ensembles de données de détection de défauts existants manquent souvent de précision et de richesse sémantique requises pour les applications pratiques, ce qui rend les modèles incapables d'identifier des catégories ou des emplacements de défauts spécifiques. Afin de résoudre ce problème, une équipe de recherche de premier plan composée de l'Université des sciences et technologies de Hong Kong, Guangzhou et de Simou Technology a développé de manière innovante l'ensemble de données « DefectSpectrum », qui fournit une annotation à grande échelle détaillée et sémantiquement riche des défauts industriels. Comme le montre le tableau 1, par rapport à d'autres ensembles de données industrielles, l'ensemble de données « DefectSpectrum » fournit le plus grand nombre d'annotations de défauts (5 438 échantillons de défauts) et la classification de défauts la plus détaillée (125 catégories de défauts).

Editeur | KX À ce jour, les détails structurels et la précision déterminés par cristallographie, des métaux simples aux grandes protéines membranaires, sont inégalés par aucune autre méthode. Cependant, le plus grand défi, appelé problème de phase, reste la récupération des informations de phase à partir d'amplitudes déterminées expérimentalement. Des chercheurs de l'Université de Copenhague au Danemark ont développé une méthode d'apprentissage en profondeur appelée PhAI pour résoudre les problèmes de phase cristalline. Un réseau neuronal d'apprentissage en profondeur formé à l'aide de millions de structures cristallines artificielles et de leurs données de diffraction synthétique correspondantes peut générer des cartes précises de densité électronique. L'étude montre que cette méthode de solution structurelle ab initio basée sur l'apprentissage profond peut résoudre le problème de phase avec une résolution de seulement 2 Angströms, ce qui équivaut à seulement 10 à 20 % des données disponibles à la résolution atomique, alors que le calcul ab initio traditionnel

La communauté ouverte LLM est une époque où une centaine de fleurs fleurissent et s'affrontent. Vous pouvez voir Llama-3-70B-Instruct, QWen2-72B-Instruct, Nemotron-4-340B-Instruct, Mixtral-8x22BInstruct-v0.1 et bien d'autres. excellents interprètes. Cependant, par rapport aux grands modèles propriétaires représentés par le GPT-4-Turbo, les modèles ouverts présentent encore des lacunes importantes dans de nombreux domaines. En plus des modèles généraux, certains modèles ouverts spécialisés dans des domaines clés ont été développés, tels que DeepSeek-Coder-V2 pour la programmation et les mathématiques, et InternVL pour les tâches de langage visuel.

Pour l’IA, l’Olympiade mathématique n’est plus un problème. Jeudi, l'intelligence artificielle de Google DeepMind a réalisé un exploit : utiliser l'IA pour résoudre la vraie question de l'Olympiade mathématique internationale de cette année, l'OMI, et elle n'était qu'à un pas de remporter la médaille d'or. Le concours de l'OMI qui vient de se terminer la semaine dernière comportait six questions portant sur l'algèbre, la combinatoire, la géométrie et la théorie des nombres. Le système d'IA hybride proposé par Google a répondu correctement à quatre questions et a marqué 28 points, atteignant le niveau de la médaille d'argent. Plus tôt ce mois-ci, le professeur titulaire de l'UCLA, Terence Tao, venait de promouvoir l'Olympiade mathématique de l'IA (AIMO Progress Award) avec un prix d'un million de dollars. De manière inattendue, le niveau de résolution de problèmes d'IA s'était amélioré à ce niveau avant juillet. Posez les questions simultanément sur l'OMI. La chose la plus difficile à faire correctement est l'OMI, qui a la plus longue histoire, la plus grande échelle et la plus négative.

En 2023, presque tous les domaines de l’IA évoluent à une vitesse sans précédent. Dans le même temps, l’IA repousse constamment les limites technologiques de domaines clés tels que l’intelligence embarquée et la conduite autonome. Sous la tendance multimodale, le statut de Transformer en tant qu'architecture dominante des grands modèles d'IA sera-t-il ébranlé ? Pourquoi l'exploration de grands modèles basés sur l'architecture MoE (Mixture of Experts) est-elle devenue une nouvelle tendance dans l'industrie ? Les modèles de grande vision (LVM) peuvent-ils constituer une nouvelle avancée dans la vision générale ? ...Dans la newsletter des membres PRO 2023 de ce site publiée au cours des six derniers mois, nous avons sélectionné 10 interprétations spéciales qui fournissent une analyse approfondie des tendances technologiques et des changements industriels dans les domaines ci-dessus pour vous aider à atteindre vos objectifs dans le nouveau année. Cette interprétation provient de la Week50 2023

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

Editeur | KX La rétrosynthèse est une tâche essentielle dans la découverte de médicaments et la synthèse organique, et l'IA est de plus en plus utilisée pour accélérer le processus. Les méthodes d’IA existantes ont des performances insatisfaisantes et une diversité limitée. En pratique, les réactions chimiques provoquent souvent des modifications moléculaires locales, avec un chevauchement considérable entre les réactifs et les produits. Inspirée par cela, l'équipe de Hou Tingjun de l'Université du Zhejiang a proposé de redéfinir la prédiction rétrosynthétique en une seule étape en tant que tâche d'édition de chaînes moléculaires, en affinant de manière itérative la chaîne moléculaire cible pour générer des composés précurseurs. Et un modèle rétrosynthétique basé sur l'édition, EditRetro, est proposé, qui permet d'obtenir des prédictions diverses et de haute qualité. Des expériences approfondies montrent que le modèle atteint d'excellentes performances sur l'ensemble de données de référence standard USPTO-50 K, avec une précision top 1 de 60,8 %.

Editeur | ScienceAI Sur la base de données cliniques limitées, des centaines d'algorithmes médicaux ont été approuvés. Les scientifiques se demandent qui devrait tester les outils et comment le faire au mieux. Devin Singh a vu un patient pédiatrique aux urgences subir un arrêt cardiaque alors qu'il attendait un traitement pendant une longue période, ce qui l'a incité à explorer l'application de l'IA pour réduire les temps d'attente. À l’aide des données de triage des salles d’urgence de SickKids, Singh et ses collègues ont construit une série de modèles d’IA pour fournir des diagnostics potentiels et recommander des tests. Une étude a montré que ces modèles peuvent accélérer les visites chez le médecin de 22,3 %, accélérant ainsi le traitement des résultats de près de 3 heures par patient nécessitant un examen médical. Cependant, le succès des algorithmes d’intelligence artificielle dans la recherche ne fait que le vérifier.
