


단 몇 초 만에 단백질 역학 정보를 정확하게 추론할 수 있는 산동대학교, 베이징 공과대학 등의 AI 모델 RMSF-net이 네이처(Nature) 저널에 게재되었습니다.
단백질의 역학은 그 메커니즘을 이해하는 데 중요합니다. 그러나 단백질 동역학 정보를 계산적으로 예측하는 것은 어렵습니다.
여기서 산동 대학교, BioMap, 베이징 공과 대학, 후베이 의과 대학, 닝샤 의과 대학교 및 압둘라 과학 기술 대학교(KAUST)의 연구팀은 이전 방법보다 성능이 뛰어나고 대규모 단백질 역학 데이터 세트에서 최상의 결과를 생성하며, 모델은 단 몇 초 만에 단백질의 역학 정보를 정확하게 추론할 수 있습니다.
실험적 단백질 구조 데이터와 cryo-EM 데이터의 통합을 통해 효과적으로 학습함으로써 이 방법은 cryo-EM 이미지와 PDB 모델 간의 대화형 양방향 제약 조건과 감독을 정확하게 식별하여 역학 예측의 효율성을 극대화할 수 있습니다.
RMSF-net은 단백질 역학 연구에서 중요한 역할을 하는 무료 도구입니다.
이 연구는 "복잡한 원자 구조와 Cryo-EM 밀도 정보를 통합하는 딥 러닝을 통한 단백질 구조 유연성의 정확한 예측"이라는 제목으로 "Nature Communications"에 7월 2일 게재되었습니다.
- https://www.nature.com/articles/s41467-024-49858-x
RMSF-net GitHub 주소:
- https://github. com/XintSong/RMSF-net
단백질 역학
단백질 역학은 메커니즘을 이해하는 데 중요합니다. 저온전자현미경(cryo-EM) 기술은 거대분자 구조가 3D 밀도 맵으로 표현되는 대부분의 단백질을 분해할 수 있습니다.
저온전자현미경의 한계
원본 2D 입자 이미지의 낮은 해상도와 신호 대 잡음비로 인해 저온전자현미경 분석은 재구성 과정에서 작은 형태 변화를 확인할 수 없습니다.
저온전자현미경에 딥러닝 적용
딥러닝 방법은 저온전자현미경 이미지의 자동 분석에 널리 사용됩니다. 고해상도 저온 EM 맵을 사용하면 저온 EM 맵에서 단백질 데이터 뱅크(PDB) 모델을 구성할 수 있습니다.
RMSF-net 개요
RMSF-net은 저온전자현미경 밀도 맵을 위한 신경망 모델입니다. 극저온-EM 밀도와 PDB 모델 정보를 활용하여 단 몇 초 만에 단백질 동적 정보를 정확하게 추론합니다.
RMSF
RMSF는 분자 역학(MD) 분석에서 분자 구조의 유연성을 평가하기 위해 널리 사용되는 측정 방법입니다. 주요 목적은 단백질 내의 국소 구조(잔류물, 원자)의 RMSF를 예측하는 것입니다.
cryo-EM 이미지 외에도 RMSF-net은 PDB 모델을 추가 입력으로 활용하여 MD 시뮬레이션 결과에 매우 가까운 RMSF 예측을 생성합니다.
RMSF-net은 두 개의 상호 연결된 모듈을 포함하는 3차원 컨벌루션 신경망입니다. 메인 모듈은 Unet+(L3) 아키텍처를 사용하여 입력 밀도 상자의 기능을 인코딩 및 디코딩합니다. 또 다른 모듈은 1x1 컨볼루션을 활용하여 Unet+백본에서 생성된 기능 맵의 채널을 회귀합니다. 그런 다음 중앙 클리핑이 회귀 모듈 출력에 적용되어 중앙에 위치한 RMSF 하위 상자를 얻습니다. 여기서 복셀 값은 그 안에 포함된 원자의 RMSF에 해당합니다. 마지막으로 RMSF 하위 상자는 병합 알고리즘을 사용하여 RMSF 맵에 공간적으로 병합됩니다.
또한 연구원들은 RMSF-net의 훈련 및 검증을 위한 대규모 단백질 역학 데이터 세트를 구축했습니다. 여기서 PDB 모델이 적합한 335개의 극저온 EM 구조 항목을 선택하고 해당 MD 시뮬레이션을 수행했습니다. 종합적인 실험 결과는 RMSF-net의 효율성과 효과를 입증합니다.
표: 데이터 세트에 대한 다양한 RMSF 예측 방법의 성능. (출처: 논문)
RMSF-net은 MD 시뮬레이션 결과와의 상관계수 0.746±0.127로 엄격한 5겹 교차 검증에서 좋은 성능을 보였습니다. RMSF-net의 상관계수는 DEFMap에 비해 15%, Baseline 방법에 비해 10% 향상되었다.
역학 예측의 해석성
연구원들은 비교 실험을 통해 RMSF-net 역학 예측의 해석성을 향상시켰습니다. RMSF 예측 프로세스는 두 단계로 나뉩니다.
- 구조 정보 추출(Occ2RMSF-net)
- 추출된 구조 정보를 기반으로 한 운동학 예측
연구 결과에 따르면 저온 전자 현미경 스펙트럼(예: DEFMap 또는 RMSF-net_cryo)을 기반으로 한 모델의 역학 예측은 주로 다음과 같은 방식으로 이루어집니다. 단백질 구조 구현 해석. 이는 구조-기능 관계의 첫 번째 원칙과 일치하는 단백질 토폴로지와 역학 간의 연결을 강조합니다.
또한 RMSF-net_cryo, RMSF-net_pdb 및 최종 이중 조합 RMSF-net의 포괄적인 비교를 통해 다음이 입증되었습니다. 한편으로는 PDB 모델의 구조 정보가 재생됩니다. 심층 모델이 MD 시뮬레이션에서 구조 토폴로지와 유연성 사이의 패턴을 학습하는 RMSF-net 역할의 주요 역할이며, 반면에 모델은 저온 전자 현미경의 이질적인 밀도 분포에 포함된 운동 정보에 의해 더욱 향상됩니다. 지도. 이러한 결과는 RMSF-net의 단백질 역학 예측에 대한 저온 EM 맵 및 PDB 모델 정보의 보완적인 역할을 검증합니다.
제한 사항 및 향후 방향
RMSF-net이 주로 용액 내 순수 단백질과 그 복합체의 유연성을 예측하는 데 제한된다는 것은 부인할 수 없습니다. 이 접근법은 소분자 리간드에 결합되거나 막 환경에서 단백질의 동적 특성과 관련하여 특정 국소 영역에서 부정확성을 나타낼 수 있습니다.
RMSF-net의 뛰어난 성능은 이 방향에 대한 추가 연구의 타당성을 보여줍니다. 이 연구는 핵산과 단백질-핵산 복합체로 확장되지 않았습니다. 다중 구조 예측 및 전이 분석을 포함하여 거대분자 역학의 모든 측면에 대한 포괄적인 특성화에는 향후 더욱 광범위하고 심층적인 연구가 필요합니다.
그럼에도 불구하고, RMSF-net은 단백질 역학을 예측하는 도구로서 뛰어난 성능과 초고속 처리 속도로 인해 단백질 구조 및 역학 연구에 여전히 큰 응용 가능성을 가지고 있습니다.
참고: 표지는 인터넷에서 가져온 것입니다
위 내용은 단 몇 초 만에 단백질 역학 정보를 정확하게 추론할 수 있는 산동대학교, 베이징 공과대학 등의 AI 모델 RMSF-net이 네이처(Nature) 저널에 게재되었습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

핫 AI 도구

Undresser.AI Undress
사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover
사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool
무료로 이미지를 벗다

Clothoff.io
AI 옷 제거제

Video Face Swap
완전히 무료인 AI 얼굴 교환 도구를 사용하여 모든 비디오의 얼굴을 쉽게 바꾸세요!

인기 기사

뜨거운 도구

메모장++7.3.1
사용하기 쉬운 무료 코드 편집기

SublimeText3 중국어 버전
중국어 버전, 사용하기 매우 쉽습니다.

스튜디오 13.0.1 보내기
강력한 PHP 통합 개발 환경

드림위버 CS6
시각적 웹 개발 도구

SublimeText3 Mac 버전
신 수준의 코드 편집 소프트웨어(SublimeText3)

현대 제조업에서 정확한 결함 검출은 제품 품질을 보장하는 열쇠일 뿐만 아니라 생산 효율성을 향상시키는 핵심이기도 합니다. 그러나 기존 결함 감지 데이터세트는 실제 적용에 필요한 정확성과 의미론적 풍부함이 부족한 경우가 많아 모델이 특정 결함 카테고리나 위치를 식별할 수 없게 됩니다. 이 문제를 해결하기 위해 광저우 과학기술대학교와 Simou Technology로 구성된 최고 연구팀은 산업 결함에 대한 상세하고 의미론적으로 풍부한 대규모 주석을 제공하는 "DefectSpectrum" 데이터 세트를 혁신적으로 개발했습니다. 표 1에서 볼 수 있듯이, 다른 산업 데이터 세트와 비교하여 "DefectSpectrum" 데이터 세트는 가장 많은 결함 주석(5438개의 결함 샘플)과 가장 상세한 결함 분류(125개의 결함 카테고리)를 제공합니다.

Editor |KX 오늘날까지 단순한 금속부터 큰 막 단백질에 이르기까지 결정학을 통해 결정되는 구조적 세부 사항과 정밀도는 다른 어떤 방법과도 비교할 수 없습니다. 그러나 가장 큰 과제인 소위 위상 문제는 실험적으로 결정된 진폭에서 위상 정보를 검색하는 것입니다. 덴마크 코펜하겐 대학의 연구원들은 결정 위상 문제를 해결하기 위해 PhAI라는 딥러닝 방법을 개발했습니다. 수백만 개의 인공 결정 구조와 그에 상응하는 합성 회절 데이터를 사용하여 훈련된 딥러닝 신경망은 정확한 전자 밀도 맵을 생성할 수 있습니다. 연구는 이 딥러닝 기반의 순순한 구조 솔루션 방법이 단 2옹스트롬의 해상도로 위상 문제를 해결할 수 있음을 보여줍니다. 이는 원자 해상도에서 사용할 수 있는 데이터의 10~20%에 해당하는 반면, 기존의 순순한 계산은

오픈 LLM 커뮤니티는 백개의 꽃이 피어 경쟁하는 시대입니다. Llama-3-70B-Instruct, QWen2-72B-Instruct, Nemotron-4-340B-Instruct, Mixtral-8x22BInstruct-v0.1 등을 보실 수 있습니다. 훌륭한 연기자. 그러나 GPT-4-Turbo로 대표되는 독점 대형 모델과 비교하면 개방형 모델은 여전히 많은 분야에서 상당한 격차를 보이고 있습니다. 일반 모델 외에도 프로그래밍 및 수학을 위한 DeepSeek-Coder-V2, 시각 언어 작업을 위한 InternVL과 같이 핵심 영역을 전문으로 하는 일부 개방형 모델이 개발되었습니다.

AI의 경우 수학 올림피아드는 더 이상 문제가 되지 않습니다. 목요일에 Google DeepMind의 인공 지능은 AI를 사용하여 올해 국제 수학 올림피아드 IMO의 실제 문제를 해결하는 위업을 달성했으며 금메달 획득에 한 걸음 더 다가섰습니다. 지난 주 막 끝난 IMO 대회에는 대수학, 조합론, 기하학, 수론 등 6개 문제가 출제됐다. 구글이 제안한 하이브리드 AI 시스템은 4문제를 맞혀 28점을 얻어 은메달 수준에 이르렀다. 이달 초 UCLA 종신 교수인 테렌스 타오(Terence Tao)가 상금 100만 달러의 AI 수학 올림피아드(AIMO Progress Award)를 추진했는데, 예상외로 7월 이전에 AI 문제 해결 수준이 이 수준으로 향상됐다. IMO에서 동시에 질문을 해보세요. 가장 정확하게 하기 어려운 것이 IMO인데, 역사도 가장 길고, 규모도 가장 크며, 가장 부정적이기도 합니다.

2023년에는 AI의 거의 모든 분야가 전례 없는 속도로 진화하고 있다. 동시에 AI는 구체화된 지능, 자율주행 등 핵심 트랙의 기술적 한계를 지속적으로 확장하고 있다. 멀티모달 추세 하에서 AI 대형 모델의 주류 아키텍처인 Transformer의 상황이 흔들릴까요? MoE(Mixed of Experts) 아키텍처를 기반으로 한 대형 모델 탐색이 업계에서 새로운 트렌드가 된 이유는 무엇입니까? 대형 비전 모델(LVM)이 일반 비전 분야에서 새로운 돌파구가 될 수 있습니까? ...지난 6개월 동안 공개된 본 사이트의 2023 PRO 회원 뉴스레터에서 위 분야의 기술 동향과 산업 변화에 대한 심층 분석을 제공하여 새로운 환경에서 귀하의 목표 달성에 도움이 되는 10가지 특별 해석을 선택했습니다. 년. 준비하세요. 이 해석은 2023년 50주차에 나온 것입니다.

편집자 |ScienceAI 질문 응답(QA) 데이터 세트는 자연어 처리(NLP) 연구를 촉진하는 데 중요한 역할을 합니다. 고품질 QA 데이터 세트는 모델을 미세 조정하는 데 사용될 수 있을 뿐만 아니라 LLM(대형 언어 모델)의 기능, 특히 과학적 지식을 이해하고 추론하는 능력을 효과적으로 평가하는 데에도 사용할 수 있습니다. 현재 의학, 화학, 생물학 및 기타 분야를 포괄하는 과학적인 QA 데이터 세트가 많이 있지만 이러한 데이터 세트에는 여전히 몇 가지 단점이 있습니다. 첫째, 데이터 형식이 비교적 단순하고 대부분이 객관식 질문이므로 평가하기 쉽지만 모델의 답변 선택 범위가 제한되고 모델의 과학적 질문 답변 능력을 완전히 테스트할 수 없습니다. 이에 비해 개방형 Q&A는

Editor | KX 역합성은 약물 발견 및 유기 합성에서 중요한 작업이며, 프로세스 속도를 높이기 위해 AI가 점점 더 많이 사용되고 있습니다. 기존 AI 방식은 성능이 만족스럽지 못하고 다양성이 제한적입니다. 실제로 화학 반응은 종종 반응물과 생성물 사이에 상당한 중복이 발생하는 국지적인 분자 변화를 일으킵니다. 이에 영감을 받아 Zhejiang University의 Hou Tingjun 팀은 단일 단계 역합성 예측을 분자 문자열 편집 작업으로 재정의하고 표적 분자 문자열을 반복적으로 정제하여 전구체 화합물을 생성할 것을 제안했습니다. 그리고 고품질의 다양한 예측이 가능한 편집 기반 역합성 모델 EditRetro를 제안합니다. 광범위한 실험을 통해 이 모델은 표준 벤치마크 데이터 세트 USPTO-50 K에서 60.8%의 상위 1 정확도로 탁월한 성능을 달성하는 것으로 나타났습니다.

Editor | ScienceAI 제한된 임상 데이터를 기반으로 수백 개의 의료 알고리즘이 승인되었습니다. 과학자들은 누가 도구를 테스트해야 하며 최선의 방법은 무엇인지에 대해 토론하고 있습니다. 데빈 싱(Devin Singh)은 응급실에서 오랜 시간 치료를 기다리던 중 심장마비를 겪는 소아환자를 목격했고, 이를 계기로 대기시간을 단축하기 위해 AI 적용을 모색하게 됐다. SickKids 응급실의 분류 데이터를 사용하여 Singh과 동료들은 잠재적인 진단을 제공하고 테스트를 권장하는 일련의 AI 모델을 구축했습니다. 한 연구에 따르면 이러한 모델은 의사 방문 속도를 22.3% 단축하여 의료 검사가 필요한 환자당 결과 처리 속도를 거의 3시간 단축할 수 있는 것으로 나타났습니다. 그러나 인공지능 알고리즘의 연구 성공은 이를 입증할 뿐이다.
