Deep Learning per il Nuovo Design delle Proteine
Deep Learning per Proteine Design
.fav_bar { float:left; border:1px solid #a7b1b5; margin-top:10px; margin-bottom:20px; } .fav_bar span.fav_bar-label { text-align:center; padding:8px 0px 0px 0px; float:left; margin-left:-1px; border-right:1px dotted #a7b1b5; border-left:1px solid #a7b1b5; display:block; width:69px; height:24px; color:#6e7476; font-weight:bold; font-size:12px; text-transform:uppercase; font-family:Arial, Helvetica, sans-serif; } .fav_bar a, #plus-one { float:left; border-right:1px dotted #a7b1b5; display:block; width:36px; height:32px; text-indent:-9999px; } .fav_bar a.fav_de { background: url(../images/icons/de.gif) no-repeat 0 0 #fff } .fav_bar a.fav_de:hover { background: url(../images/icons/de.gif) no-repeat 0 0 #e6e9ea } .fav_bar a.fav_acm_digital { background:url(‘../images/icons/acm_digital_library.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_acm_digital:hover { background:url(‘../images/icons/acm_digital_library.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.fav_pdf { background:url(‘../images/icons/pdf.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_pdf:hover { background:url(‘../images/icons/pdf.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.fav_more .at-icon-wrapper{ height: 33px !important ; width: 35px !important; padding: 0 !important; border-right: none !important; } .a2a_kit { line-height: 24px !important; width: unset !important; height: unset !important; padding: 0 !important; border-right: unset !important; border-left: unset !important; } .fav_bar .a2a_kit a .a2a_svg { margin-left: 7px; margin-top: 4px; padding: unset !important; }
Scienziati dell’Università di Washington (UW) e dell’Università di Ghent in Belgio hanno migliorato i modelli fisici basati sull’energia attuali nel design computazionale de novo delle proteine utilizzando tecniche di deep learning.
I ricercatori hanno incorporato l’AlphaFold 2 di DeepMind e il software RoseTTA fold sviluppato dall’UW nel protocollo di design di leganti proteici de novo potenziato dal deep learning. Hanno eseguito 6 milioni di interazioni tra strutture proteiche potenzialmente legate in parallelo sul supercomputer Frontera del Texas Advanced Computing Center e utilizzato il software ProteinMPNN dell’UW per produrre reti neurali di sequenze proteiche più di 200 volte più veloci rispetto al miglior software precedente.
I risultati hanno indicato che le strutture progettate si legano alle proteine bersaglio 10 volte più velocemente, anche se Brian Coventry dell’UW ha affermato che devono aumentare la velocità di altre tre ordini di grandezza. Il lavoro è descritto in Nature Communications.
- I ricercatori di Google DeepMind presentano SynJax una libreria di apprendimento profondo per la distribuzione strutturata della probabilità di JAX.
- I modelli di intelligenza artificiale sono potenti, ma sono biologicamente plausibili?
- Impara mentre cerchi (e navighi) usando l’IA generativa
Dal Texas Advanced Computing Center Visualizza l’articolo completo
Riassunto Copyright © 2023 SmithBucklin, Washington, D.C., USA