Å bestemme den tredimensjonale formen til biologiske molekyler er det mest utfordrende problemet i moderne biologi.
Forfatterne av det nye verket brukte maskinens metoderlæring og utviklet en tilnærming som løser dette problemet, ettersom den forutsier deres eksakte struktur. Forskerne merker at deres tilnærming kan brukes til og med på molekyler og strukturer som er vanskeligst å bestemme eksperimentelt.
Algoritme for doktorgradsstudenter forutsier nøyaktigmolekylære strukturer, og på grunnlag av dette kan man forstå hvordan de fungerer på forskjellige felt: dette vil hjelpe både i grunnleggende biologisk forskning og i utvikling av legemidler.
Proteiner - dette er slike maskiner i molekylærenskala, som utfører alle slags funksjoner. For å gjøre noe kan de binde seg til andre proteiner. Hvis du vet at et par proteiner er involvert i en sykdom, og også forstår hvordan de begge interagerer, så kan du prøve å lage et medikament som vil treffe det samme målet.
Stefan Eismann, PhD-student ved Stanford University
AI lærte å finne grunnleggende konsepterproteiner som er nøkkelen til dannelsen av molekylær struktur. Og, viktigere ifølge forfatterne, var den ikke forhåndslastet med data om spesifikke proteiner, noe som kunne gjøre algoritmen partisk mot dem og forvirre den globale analysen.
Derfor finner algoritmen data og egenskaper ved proteiner som forskerne ikke var klar over fra før.
Under eksperimentet klarte algoritmen vellykketmed proteiner og doktorgradsstudenter testet det på RNA -molekyler. Som et resultat klarte AI puslespillet i alle tilfeller, selv om det ikke var designet spesielt for RNA -strukturer.
Å lese Lengre:
Et romskip flere kilometer unna: alt som er kjent om Kinas nye prosjekt
COVID-19 мутирует, а вакцины модернизируют: как бороться с новыми штаммами
En superkondensator på størrelse med et støvkorn har dukket opp: den er 3 tusen ganger mindre enn analogene