Rivoluzionare il design delle proteine come questa ricerca sull’IA ha aumentato i tassi di successo di 10 volte con miglioramenti di deep learning

Rivoluzionare il design delle proteine con IA, aumentando i tassi di successo di 10 volte grazie al deep learning.

Le proteine sono strutture polimeriche che regolano quasi tutte le malattie. Il problema principale è trovare quale proteina può legarsi alla sua struttura corrispondente polimerica. Il carico principale è trovare queste molecole che possono combinarsi da un grande insieme di molecole. Ciò comporta l’uso di modelli di apprendimento automatico e di apprendimento profondo in questo campo. Il team di scienziati di ricerca ha utilizzato tecniche di apprendimento profondo per prevedere le molecole con un aumento di 10 volte delle dimensioni rispetto alle molecole precedentemente ottenute. Gli scienziati di ricerca stanno ancora lavorando sulla qualità della resistenza del legame idrofobico tramite modelli di apprendimento profondo.

Gli algoritmi di apprendimento profondo utilizzano i dati grezzi per estrarre caratteristiche e informazioni di alta qualità, come già accennato. I metodi iterativi sono stati utilizzati tramite tecniche di apprendimento profondo per studiare le trasformazioni nella sequenza proteica. Le strutture che sono state previste o generate sono state trovate ad avere un’accuratezza quasi pari a 1. Questi metodi iterativi sono stati utilizzati per convergere sui modelli che sono stati previsti con precisione. Il team di ricerca ha sviluppato 2 strumenti software per la progettazione di proteine. Si è anche scoperto che tutte le progettazioni delle proteine erano indipendenti l’una dall’altra a causa di informazioni indipendenti sotto forma di vettori. Il problema è diviso in milioni di progettazioni che vengono eseguite tutte insieme su unità di calcolo massive.

Un team di ricercatori dell’Università di Washington, Seattle, l’Istituto Howard Hughes per la Ricerca Medica e l’Istituto per la Progettazione delle Proteine ha suddiviso le molecole proteiche ottenute in frammenti di piccole entità. Quindi assegna ciascun frammento a nodi di calcolo di frontera utilizzando le strutture Linux. Queste entità proteiche più piccole vengono ulteriormente divise in entità più piccole. Queste vengono passate al software di progettazione computazionale. Queste vengono poi passate al software proteico per aumentare l’efficienza computazionale. Ciò aumenta l’efficienza di circa 200 volte rispetto a quanto registrato in precedenza.

• Decodifica del comportamento collettivo come l’inferenza bayesiana attiva alimenta i movimenti naturali dei gruppi di animali
• Questo articolo sull’IA propone Soft MoE un trasformatore sparso completamente differenziabile che affronta queste sfide mantenendo i vantaggi delle MoE
• Come l’India sta utilizzando l’AI all’avanguardia per affrontare le frodi nei pagamenti

Questo risultato mostra un aumento di 10 volte nel tasso di studio per il legame sulla proteina bersaglio. I ricercatori hanno fatto un grande sforzo, ma c’è ancora molta strada da fare in questo percorso. I piani futuri di questa ricerca sono di fornire alle molecole proteiche obiettivi migliori e aumentare il tasso di successo o di accuratezza delle molecole proteiche. Questo progetto mira anche a creare gli strumenti di lotta contro il cancro di domani.