인간은 유전병을 예측하고 신약을 만들 수 있을 뿐만 아니라,
생물학자들은 인간 단백질을 어떻게 연구합니까?
10년 이상 분자생물학자 Martin Beck동료들과 함께 핵공 복합체의 상세한 모델을 만들려고 했습니다. Beck은 이것을 인간 세포에서 가장 큰 분자 기계라고 부릅니다. 핵공 복합체는 게놈이 있는 곳으로 세포 핵 안팎으로 흐르는 분자의 흐름을 제어합니다. 수백 개의 그러한 복합체가 모든 세포에 존재합니다. 각각은 1,000개 이상의 단백질로 구성됩니다.
이 수천 조각은 30개 이상의 단백질을 형성합니다.서로 다른 방식으로 얽혀 있는 빌딩 블록: 따라서 함께 작업하는 것이 훨씬 더 어렵습니다. 2016년 Max Planck Institute for Biophysics(MPIB)의 Beck이 이끄는 팀은 핵공 복합체의 약 30%와 빌딩 블록의 거의 절반, 즉 Nup 단백질을 설명하는 모델을 만들었다고 보고했습니다.
알고리즘은 인간 단백질을 어떻게 학습합니까?
2021년 7월 DeepMind의 일부구글의 모회사인 알파벳은 알파폴드(AlphaFold)라는 인공지능을 선보였습니다. 이 소프트웨어는 유전자 서열로부터 단백질의 3차원 형태를 예측할 수 있습니다. 계산은 매우 정확하게 수행되었습니다. 이는 생물학자의 임무와 관심을 심각하게 변화시켰습니다.
AlphaFold를 사용하여 과학자들은 예측할 수 있었습니다.인간 Nup 단백질의 모양은 무엇입니까? 그리고 나중에 그들은 핵공 복합체의 60%를 설명하는 모델을 발표했습니다. 이것은 복합체가 기공을 안정화하고 분자의 흐름을 제어하는 방법을 이해하는 데 도움이 되었습니다.
AlphaFold 매니아: 단백질 구조 연구를 위한 AI가 인기를 얻은 이유는 무엇입니까?
생물학자들에 따르면 전체 과학계는움켜쥔 AlphaFold-mania. AI는 엄청난 양의 연구에 사용되었습니다. 어떤 경우에는 알고리즘이 시간을 절약하거나 새로운 데이터를 제공하는 데 도움이 되었습니다. 그러나 AI에도 한계가 있습니다. 일부 과학자들은 자신의 작업에 비해 예측이 너무 신뢰할 수 없다고 생각합니다. 그럼에도 불구하고 알고리즘이 다른 누구보다 데이터 처리에 더 잘 대처한다는 것은 누구나 인정합니다.
알고리즘 개발자 자신도 항상 그런 것은 아닙니다.그것이 어떤 다른 분야에 사용될 수 있는지 알아낼 시간이 있습니다. 그래서 그들은 연구자 팀이 AlphaFold를 사용하여 신약 발견과 단백질 개발에서 복잡한 생명체의 기원에 이르기까지 새로운 발견을 하는 것을 종종 지켜봅니다.
2021년 7월 중순 공개 도메인오픈 소스 AI 코드와 함께 과학자들이 작업의 일부로 이러한 연구를 수행하는 데 도움이 될 기타 정보가 등장했습니다. 일주일 후 DeepMind는 AlphaFold를 사용하여 인간이 만드는 거의 모든 단백질의 구조를 예측했다고 발표했습니다. 총 365,000개의 생물학적 구조를 연구했습니다. 오늘날 이 데이터베이스는 거의 백만 개의 구조로 확장되었습니다.
DeepMind는 2022년에 출시할 계획입니다.유기체의 생물학적 구조에 관한 총 1억 개 이상의 예측이 있습니다. 이는 알려진 모든 단백질의 거의 절반에 해당합니다. 또한 이 숫자는 실험적으로 결정될 수 있는 단백질보다 수백 배 더 높습니다.
이 도구는 이미 연구자들이 새로운잠재적인 단백질 파트너 과학자들은 AlphaFold를 사용하여 65,000개의 인간 단백질 쌍의 구조를 예측했습니다. 또 다른 그룹은 AlphaFold와 RoseTTAFold를 사용하여 효모에 의해 암호화된 거의 모든 단백질 쌍 간의 상호 작용을 모델링했습니다. 그 결과, 그들은 이전에 알려지지 않은 100개 이상의 핵공 복합체를 발견했습니다.
알파 폴드는 어떻게 작동합니까?
AlphaFold는 심층 신경망을 사용합니다.학습: 이는 인간의 두뇌처럼 작동하고 데이터의 패턴을 인식하는 컴퓨팅 구조입니다. 알고리즘은 실험적으로 결정된 수십만 개의 단백질 구조를 사용하여 훈련되었습니다. AI가 새로운 시퀀스를 만나면 먼저 데이터베이스에서 유사한 사례를 검색합니다.
AlphaFold는 힌트를 순환하면서 다음을 시도합니다.아미노산의 3D 이미지를 시뮬레이션합니다. 전문가들은 이 소프트웨어가 기계 학습에 대한 새로운 아이디어를 성공적으로 적용했다고 믿습니다. 특히 그들은 "주의"라는 독특한 메커니즘에 주목합니다. 이는 특정 순간에 어떤 아미노산 화합물이 작업에 가장 중요한지를 결정합니다.
AlphaFold의 문제점은 무엇입니까?
AlphaFold 예측은 다음에 대한 정보에 따라 다릅니다.관련 단백질 서열 때문에 AI에는 몇 가지 제한 사항이 있습니다. 예를 들어, 알고리즘은 특히 질병을 일으키는 단백질의 모양에 대한 돌연변이의 영향을 예측할 수 없습니다.
또한 단백질이 어떻게 변화하는지 감지할 수 없습니다.약물과 같은 다른 상호 작용하는 단백질이나 분자로 인해 모양이 형성됩니다. 그러나 모델은 단백질의 각 아미노산 단위에 대한 자체 예측의 신뢰도를 평가할 수 있습니다. 2022년 8월 현재 DeepMind는 400,000명 이상의 사람들이 AlphaFold EMBL-EBI 데이터베이스를 사용하고 있다고 보고했습니다.
그러한 알고리즘이 일반 사람들에게 어떻게 도움이 될까요?
제약 및 생명공학 회사의 연구원들은 AlphaFold의 잠재력에 대해 기대하고 있으며 이 알고리즘이 신약 발견에 도움이 된다고 말합니다.
Karen Akinsanya, 개발 책임자Schrödinger에서 치료제를 개발하고 있는 그녀와 그녀의 동료들은 AlphaFold와 협력하여 성공적인 결과를 얻었다고 말합니다. 그들은 잠재적으로 약물이 될 수 있는 화합물을 개발할 수 있었습니다.
더 읽어보기 :
MIT는 터빈을 능가하는 고정식 열기관을 만듭니다.
10년의 연구 끝에 과학자들은 물리학의 표준 모델에 의문을 제기했습니다.
화성에서 일출이 어떻게 보이는지 확인하십시오