✖


Jump to content

АльфаФолд

(Перенаправлено с AlphaFold 3 )
Часть серии о
Искусственный интеллект
Основные цели
Подходы
Приложения
Философия
История
Глоссарий

AlphaFold — это программа искусственного интеллекта (ИИ), разработанная DeepMind , дочерней компанией Alphabet , которая выполняет прогнозирование структуры белков . [1] Программа спроектирована как система глубокого обучения . [2]

Программное обеспечение AlphaFold имело три основные версии. Команда исследователей, использовавшая AlphaFold 1 (2018), заняла первое место в общем рейтинге 13-й критической оценки прогнозирования структуры (CASP) в декабре 2018 года. Программа особенно успешно предсказала наиболее точную структуру для целей, оцененных как наиболее сложные. организаторами конкурса, где не было существующих матричных структур из белков с частично сходной последовательностью. Команда, использовавшая AlphaFold 2 (2020), повторила свое место в конкурсе CASP14 в ноябре 2020 года. [3] Команда достигла уровня точности, намного более высокого, чем любая другая группа. [2] [4] Он набрал более 90 баллов примерно для двух третей белков в глобальном дистанционном тесте CASP (GDT), тесте, который измеряет степень, в которой предсказанная вычислительной программой структура похожа на структуру, определенную в лабораторном эксперименте, причем 100 означает полное совпадение. в пределах расстояния отсечки, используемого для расчета GDT. [2] [5]

Результаты AlphaFold 2 на CASP14 были названы «поразительными». [6] и «трансформационный». [7] Некоторые исследователи отметили, что точность недостаточно высока для трети его предсказаний и что она не раскрывает механизм или правила сворачивания белка , чтобы проблему сворачивания белка можно было считать решенной. [8] [9] Тем не менее, это техническое достижение вызвало широкое уважение. 15 июля 2021 года статья AlphaFold 2 была опубликована в журнале Nature в качестве публикации с предварительным доступом вместе с программным обеспечением с открытым исходным кодом видов с возможностью поиска и базой данных протеомов . [10] [11] [12]

AlphaFold 3 был анонсирован 8 мая 2024 года. Он может предсказывать структуру комплексов белков с ДНК , РНК , различными лигандами и ионами . [13]

Фон

[ редактировать ]
См. Также: Прогнозирование структуры белка и прогнозирование структуры белка De novo.
три отдельные полипептидные цепи на разных уровнях сворачивания и кластер цепей
Аминокислотные цепи, известные как полипептиды , сворачиваются, образуя белок.

Белки состоят из цепочек аминокислот , которые спонтанно сворачиваются , образуя трехмерные (3-D) структуры белков. Трехмерная структура имеет решающее значение для понимания биологической функции белка.

Структуры белков можно определить экспериментально с помощью таких методов, как рентгеновская кристаллография , криоэлектронная микроскопия и ядерный магнитный резонанс , которые являются дорогостоящими и отнимают много времени. [14] Такие усилия, используя экспериментальные методы, идентифицировали структуры около 170 000 белков за последние 60 лет, в то время как во всех формах жизни известно более 200 миллионов белков. [5]

На протяжении многих лет исследователи применяли многочисленные вычислительные методы для предсказания трехмерных структур белков по их аминокислотным последовательностям, но точность таких методов не приближалась к экспериментальным методам. Программа CASP , которая была запущена в 1994 году с целью бросить вызов научному сообществу предоставить наилучшие предсказания структуры белков, обнаружила, что по GDT . к 2016 году для наиболее сложных белков можно достичь лишь около 40 баллов из 100 [5] AlphaFold начала участвовать в CASP 2018 года, используя искусственного интеллекта (ИИ) технику глубокого обучения . [14]

Алгоритм

[ редактировать ]

Известно, что DeepMind обучил программу более чем 170 000 белков из общедоступного хранилища белковых последовательностей и структур. В программе используется своего рода сеть внимания — метод глубокого обучения , который фокусируется на том, чтобы ИИ идентифицировал части более крупной проблемы, а затем соединял их воедино, чтобы получить общее решение. [2] Общее обучение проводилось на вычислительной мощности от 100 до 200 графических процессоров . [2]

АльфаФолд 1 (2018)

[ редактировать ]

AlphaFold 1 (2018) был основан на работе, разработанной различными командами в 2010-х годах, работе, в которой рассматривались большие банки данных связанных последовательностей ДНК, которые теперь доступны из многих различных организмов (большинство из которых не имеют известных трехмерных структур), чтобы попытаться найти изменения в различных остатках. это, по-видимому, коррелировало, хотя остатки не были последовательными в основной цепи. Такие корреляции предполагают, что остатки могут быть близки друг к другу физически, даже если они не близки по последовательности, что позволяет карту контактов оценить . Основываясь на недавней работе, проведенной до 2018 года, AlphaFold 1 расширил это, чтобы оценить распределение вероятностей того, насколько близкими могут быть остатки, превратив карту контактов в карту вероятных расстояний. Для разработки выводов также использовались более продвинутые методы обучения, чем раньше. [15] [16]

АльфаФолд 2 (2020)

[ редактировать ]

Производительность, эксперименты и архитектура AlphaFold 2 [17]
Архитектурные детали AlphaFold 2 [17]

версия программы 2020 года ( AlphaFold 2 , 2020) существенно отличается от оригинальной версии, которая выиграла CASP 13 в 2018 году. По словам команды DeepMind, [18] [19]

Программное обеспечение, использованное в AlphaFold 1, содержало ряд модулей, каждый из которых обучался отдельно, которые использовались для создания направляющего потенциала, который затем объединялся с основанным на физике энергетическим потенциалом. AlphaFold 2 заменил это системой подсетей, объединенных в единую дифференцируемую сквозную модель, полностью основанную на распознавании образов, которая была интегрированно обучена как единая интегрированная структура. [19] [20] Локальная физика в форме энергетического уточнения на основе модели AMBER применяется только в качестве последнего этапа уточнения после того, как прогноз нейронной сети сходится, и лишь незначительно корректирует предсказанную структуру. [21]

Ключевой частью системы 2020 являются два модуля, предположительно основанные на конструкции преобразователя , которые используются для постепенного уточнения вектора информации для каждого отношения (или « ребра » в терминологии теории графов) между аминокислотным остатком белок и другой аминокислотный остаток (эти связи представлены массивом, показанным зеленым цветом); и между каждой позицией аминокислоты и каждой другой последовательностью при выравнивании входной последовательности (эти отношения представлены массивом, показанным красным). [20] Внутри эти уточняющие преобразования содержат слои, которые объединяют соответствующие данные и отфильтровывают ненужные данные («механизм внимания») для этих отношений контекстно-зависимым способом, полученным из обучающих данных. Эти преобразования повторяются, обновленная информация, выдаваемая на одном этапе, становится входной информацией для следующего, при этом уточненная информация об остатках/остатках подается в обновление информации об остатках/последовательности, а затем улучшенная информация об остатках/последовательности подается в обновление информация об остатке/остатке. [20] Согласно одному отчету, по ходу итерации «алгоритм внимания… имитирует способ, которым человек собирает головоломку: сначала соединяет части в небольшие комочки — в данном случае кластеры аминокислот — а затем ищет способы соединить их». сгустки в единое целое». [5] [ нужно обновить ]

Результаты этих итераций затем передаются окончательному модулю прогнозирования структуры: [20] где также используются трансформаторы, [22] и затем сам повторяется. В примере, представленном DeepMind, модуль прогнозирования структуры достиг правильной топологии целевого белка на первой итерации, получив GDT_TS 78, но с большим количеством (90%) стереохимических нарушений – т.е. нефизических валентных углов или длины. При последующих итерациях количество стереохимических нарушений уменьшалось. К третьей итерации GDT_TS прогноза приближался к 90, а к восьмой итерации количество стереохимических нарушений приближалось к нулю. [23]

Данные обучения изначально были ограничены отдельными пептидными цепями. Однако обновление за октябрь 2021 года, получившее название AlphaFold-Multimer, включило в данные обучения белковые комплексы. DeepMind заявила, что это обновление позволило примерно в 70% случаев точно предсказать белок-белковые взаимодействия. [24]

АльфаФолд 3 (2024)

[ редактировать ]

, анонсированный 8 мая 2024 года, AlphaFold 3 был разработан совместно Google DeepMind и Isomorphic Labs , дочерними компаниями Alphabet . AlphaFold 3 не ограничивается одноцепочечными белками, поскольку он также может предсказывать структуры белковых комплексов с ДНК , РНК , посттрансляционные модификации и выбранные лиганды и ионы . [25] [13]

AlphaFold 3 представляет «Pairformer», архитектуру глубокого обучения, вдохновленную трансформатором, которая считается похожей, но более простой, чем Evoformer, представленный в AlphaFold 2. [26] [27] Необработанные прогнозы из модуля Pairformer передаются в диффузионную модель , которая начинается с облака атомов и использует эти прогнозы для итеративного продвижения к трехмерному изображению молекулярной структуры. [13]

Сервер AlphaFold был создан для предоставления бесплатного доступа к AlphaFold 3 для некоммерческих исследований. [28]

Соревнования

[ редактировать ]
Результаты, достигнутые для прогнозирования белков по лучшим реконструкциям в конкурсе CASP 2018 (маленькие кружки) и конкурсе CASP 2020 (большие кружки), по сравнению с результатами, достигнутыми в предыдущие годы.
Красная линия тренда показывает, как несколько моделей, включая AlphaFold 1, достигли в 2018 году значительного скачка по сравнению с темпами прогресса, достигнутыми ранее, особенно в отношении белковых последовательностей, которые считаются наиболее трудно прогнозируемыми.
(Качественное улучшение было достигнуто и в более ранние годы, но только когда изменения приводят к тому, что структуры находятся в пределах 8 Å от их экспериментальных положений, они начинают влиять на показатель CASP GDS-TS).
Оранжевая линия тренда показывает, что к 2020 году серверы онлайн-прогнозирования смогли извлечь уроки из этой производительности и соответствовать ей, в то время как другие лучшие группы (зеленая кривая) в среднем смогли ее улучшить. Однако черная кривая тренда показывает, в какой степени AlphaFold 2 снова превзошел этот показатель в 2020 году по всем направлениям.
Подробный разброс точек данных указывает на степень согласованности или вариаций, достигнутую с помощью AlphaFold. Выбросы представляют собой несколько последовательностей, для которых не удалось сделать такой успешный прогноз.

CASP13

[ редактировать ]

В декабре 2018 года AlphaFold компании DeepMind заняла первое место в общем рейтинге 13-й критической оценки методов прогнозирования структуры белка (CASP). [29] [30]

Программа особенно успешно предсказывала наиболее точную структуру для мишеней, которые организаторы конкурса считали наиболее сложными, где не было существующих матричных структур из белков с частично сходной последовательностью. AlphaFold дал лучший прогноз для 25 из 43 белков-мишеней этого класса. [30] [31] [32] CASP достижение среднего балла 58,9 по глобальному дистанционному тесту (GDT), опередив 52,5 и 52,4 у двух следующих лучших команд, [33] которые также использовали глубокое обучение для оценки контактных расстояний. [34] [35] В целом по всем целевым показателям программа получила оценку GDT 68,5. [36]

В январе 2020 года реализации и иллюстративный код AlphaFold 1 были опубликованы с открытым исходным кодом на GitHub . [37] [14] но, как указано в файле «Read Me» на этом веб-сайте: «Этот код нельзя использовать для прогнозирования структуры произвольной белковой последовательности. Его можно использовать для прогнозирования структуры только в наборе данных CASP13 (ссылки ниже). Код генерации функций тесно связан с нашей внутренней инфраструктурой, а также с внешними инструментами, поэтому мы не можем открыть его исходный код». Поэтому, по сути, депонированный код не пригоден для общего использования, а только для белков CASP13. Компания не объявила о планах сделать свой код общедоступным с 5 марта 2021 года.

CASP14

[ редактировать ]

В ноябре 2020 года новая версия DeepMind AlphaFold 2 выиграла CASP14. [38] [39] В целом AlphaFold 2 дал лучший прогноз для 88 из 97 целей. [6]

По предпочтительному показателю точности глобального дистанционного теста (GDT) программа получила средний балл 92,4 (из 100), что означает, что более половины ее прогнозов были оценены на уровне выше 92,4% из-за того, что их атомы находятся в более или-менее подходящее место, [40] [41] Сообщается, что уровень точности сопоставим с экспериментальными методами, такими как рентгеновская кристаллография . [18] [7] [36] В 2018 году AlphaFold 1 достиг такого уровня точности только в двух из всех своих прогнозов. [6] 88% прогнозов в конкурсе 2020 года имели балл GDT_TS более 80. В группе целей, классифицированных как самые сложные, AlphaFold 2 достиг среднего балла 87.

Измеряется среднеквадратическим отклонением (RMS-D) расположения альфа-углеродных атомов основной цепи белка, в котором, как правило, преобладают характеристики наименее подходящих выбросов, 88% прогнозов AlphaFold 2. имело среднеквадратичное отклонение менее 4 Å для набора перекрывающихся атомов C-альфа. [6] 76% прогнозов были лучше, чем 3 Å, а 46% имели среднеквадратическую точность атома C-альфа лучше, чем 2 Å, [6] со средним среднеквадратичным отклонением в своих предсказаниях 2,1 Å для набора перекрывающихся атомов СА. [6] AlphaFold 2 также достиг точности моделирования поверхностных боковых цепей , которую можно назвать «действительно-выдающейся».

Чтобы дополнительно проверить AlphaFold-2, организаторы конференции обратились к четырем ведущим экспериментальным группам по поводу структур, которые они считали особенно сложными и которые не смогли определить. Во всех четырех случаях трехмерные модели, созданные AlphaFold 2, были достаточно точными, чтобы определить структуры этих белков путем молекулярной замены . В их число входила мишень T1100 (Af1503), небольшой мембранный белок, изучаемый экспериментаторами в течение десяти лет. [5]

Из трех структур, предсказание которых с помощью AlphaFold 2 имело наименьший успех, две были получены методами ЯМР белков , которые определяют структуру белка непосредственно в водном растворе, тогда как AlphaFold в основном обучался на белковых структурах в кристаллах . Третий существует в природе как мультидоменный комплекс, состоящий из 52 идентичных копий одного и того же домена , но AlphaFold не был запрограммирован учитывать эту ситуацию. Для всех мишеней с одним доменом, за исключением только одного очень большого белка и двух структур, определенных с помощью ЯМР, AlphaFold 2 достиг показателя GDT_TS более 80.

CASP15

[ редактировать ]

В 2022 году DeepMind не участвовала в CASP15, но большинство участников использовали AlphaFold или инструменты, включающие AlphaFold. [42]

Прием

[ редактировать ]

AlphaFold 2, набравший более 90 баллов в CASP глобальном дистанционном тесте (GDT), считается значительным достижением в области вычислительной биологии. [5] и большой прогресс в решении великой задачи биологии, которая существует уже несколько десятилетий. [7] Лауреат Нобелевской премии и структурный биолог Венки Рамакришнан назвал результат «ошеломляющим достижением в решении проблемы сворачивания белка». [5] добавив, что «это произошло на десятилетия раньше, чем могли предсказать многие люди в этой области. Будет интересно увидеть, как это фундаментально изменит биологические исследования». [38]

На основе пресс-релизов CASP и DeepMind, [43] [38] Успех AlphaFold 2 привлек широкое внимание средств массовой информации. [44] А также новости в специализированной научной прессе, такой как Nature , [7] Наука , [5] Обзор технологий MIT , [2] и Новый учёный , [45] [46] эта история широко освещалась в крупных национальных газетах. [47] [48] [49] [50] Частой темой было то, что способность точно предсказывать структуру белка на основе составляющей аминокислотной последовательности, как ожидается, будет иметь широкий спектр преимуществ в области наук о жизни, включая ускорение открытия передовых лекарств и обеспечение лучшего понимания болезней. [7] [51] Некоторые отмечают, что даже идеальный ответ на проблему прогнозирования белков все равно оставит вопросы о проблеме сворачивания белков — детальное понимание того, как процесс сворачивания на самом деле происходит в природе (и как иногда они могут сворачиваться неправильно ). [52]

В 2023 году Демис Хассабис и Джон Джампер получили премию за прорыв в области наук о жизни. [53] а также премию Альберта Ласкера за фундаментальные медицинские исследования за управление проектом AlphaFold. [54]

Исходный код

[ редактировать ]

Открытый доступ к исходному коду нескольких версий AlphaFold (за исключением AlphaFold 3) был предоставлен DeepMind по запросам научного сообщества. [55] [56] [57] Ожидается, что полный исходный код AlphaFold-3 будет предоставлен в открытый доступ к концу 2024 года. [58] [59]

База данных моделей белков, созданная AlphaFold

[ редактировать ]
База данных структуры белков AlphaFold
Содержание
Типы данных
захвачен 		предсказание структуры белка
Организмы все протеомы UniProt
Контакт
Исследовательский центр ЭМБЛ-ЭБИ
Первичное цитирование [10]
Доступ
Веб-сайт https://www.alphafold.ebi.ac.uk/
URL-адрес загрузки да
Инструменты
Интернет да
Разнообразный
Лицензия CC-BY 4.0
Политика курирования автоматический

База данных о структуре белков AlphaFold была запущена 22 июля 2021 года в результате совместных усилий AlphaFold и EMBL-EBI . На момент запуска база данных содержит предсказанные AlphaFold модели белковых структур почти полного UniProt протеома человека и 20 модельных организмов , насчитывающих более 365 000 белков. менее 16 и более 2700 В базу данных не включены белки с числом аминокислотных остатков . [60] но для людей они доступны во всем пакетном файле. [61] AlphaFold планировала добавить в коллекцию больше последовательностей, первоначальная цель (на начало 2022 года) заключалась в том, чтобы охватить большую часть набора UniRef90, состоящего из более чем 100 миллионов белков. По состоянию на 15 мая 2022 года было доступно 992 316 прогнозов. [62]

В июле 2021 года ЮниПрот-КБ и ИнтерПро [63] был обновлен, чтобы показывать прогнозы AlphaFold, когда они доступны. [64]

28 июля 2022 года команда загрузила в базу данных структуры около 200 миллионов белков 1 миллиона видов, охватывающие почти все известные белки на планете. [65]

Ограничения

[ редактировать ]

AlphaFold имеет различные ограничения:

  • AlphaFold DB предоставляет мономерные модели белков, а не их биологически значимые комплексы . [66]
  • Многие белковые области прогнозируются с низкой степенью достоверности, включая внутренне неупорядоченные белковые области. [67]
  • Афафолд-2 был проверен для прогнозирования структурных эффектов мутаций с ограниченным успехом. [68]
  • Модель в некоторой степени полагается на информацию о коэволюции сходных белков и, следовательно, может неэффективно работать с синтетическими белками или белками с очень низкой гомологией с чем-либо в базе данных. [69]
  • Способность модели создавать множественные нативные конформации белков ограничена.
  • Версия AlphaFold 3 может предсказывать структуры белковых комплексов с очень ограниченным набором выбранных кофакторов и ко- и посттрансляционных модификаций . [70] От 50% до 70% структур протеома человека являются неполными без ковалентно связанных гликанов. [71] [66] AlphaFill, производная база данных, при необходимости добавляет кофакторы к моделям AlphaFold. [72]
  • В алгоритме остатки перемещаются свободно, без каких-либо ограничений. Поэтому при моделировании целостность цепочки не сохраняется. В результате AlphaFold может давать топологически неверные результаты, например, структуры с произвольным количеством узлов. [73]

Приложения

[ редактировать ]

AlphaFold использовался для прогнозирования структур белков SARS-CoV-2 , возбудителя COVID-19 . Структуры этих белков ожидали экспериментального обнаружения в начале 2020 года. [74] [7] Результаты были изучены учеными из Института Фрэнсиса Крика в Соединенном Королевстве, а затем опубликованы более широкому исследовательскому сообществу. Команда также подтвердила точные предсказания относительно экспериментально определенного белка-шипа SARS-CoV-2 , который был опубликован в Protein Data Bank , международной базе данных с открытым доступом, прежде чем опубликовать определенные с помощью вычислений структуры недостаточно изученных белковых молекул. [75] Команда признала, что, хотя эти белковые структуры, возможно, и не являются предметом текущих терапевтических исследований, они внесут вклад в понимание сообществом вируса SARS-CoV-2. [75] В частности, предсказание AlphaFold 2 структуры белка ORF3a было очень похоже на структуру, определенную исследователями из Калифорнийского университета в Беркли с помощью криоэлектронной микроскопии . Считается, что этот специфический белок помогает вирусу вырваться из клетки-хозяина после его репликации. Считается также, что этот белок играет роль в запуске воспалительной реакции на инфекцию. [76]

Опубликованные работы

[ редактировать ]

См. также

[ редактировать ]

Ссылки

[ редактировать ]
  1. ^ «АльфаФолд» . Глубокий разум . Проверено 30 ноября 2020 г. .
  2. ^ Jump up to: а б с д и ж «ИИ компании DeepMind, сворачивающий белки, решил грандиозную проблему биологии, возникшую 50 лет назад» . Обзор технологий Массачусетского технологического института . Проверено 30 ноября 2020 г.
  3. ^ Шид, Сэм (30 ноября 2020 г.). «DeepMind решает 50-летнюю «большую задачу» с помощью искусственного интеллекта по сворачиванию белков», CNBC . Проверено 30 ноября 2020 г.
  4. ^ Стоддарт, Шарлотта (1 марта 2022 г.). «Структурная биология: как белки оказались крупным планом» . Знающий журнал . doi : 10.1146/knowable-022822-1 . S2CID   247206999 . Проверено 25 марта 2022 г.
  5. ^ Jump up to: а б с д и ж г час Роберт Ф. Сервис: «Игра изменилась». ИИ побеждает в решении белковых структур , Наука , 30 ноября 2020 г.
  6. ^ Jump up to: а б с д и ж Мохаммед Аль-Кураиши, только что стали известны результаты CASP14, и они поразительны , Твиттер, 30 ноября 2020 г.
  7. ^ Jump up to: а б с д и ж Каллауэй, Юэн (30 ноября 2020 г.). « Это изменит все»: искусственный интеллект DeepMind совершает гигантский скачок в решении белковых структур». Природа . 588 (7837): 203–204. Бибкод : 2020Natur.588..203C . дои : 10.1038/d41586-020-03348-4 . ПМИД   33257889 . S2CID   227243204 .
  8. ^ Стивен Карри, Нет, DeepMind не решил проблему сворачивания белка , Reciprocal Space (блог), 2 декабря 2020 г.
  9. ^ Боллс, Филипп (9 декабря 2020 г.). «За ширмами AlphaFold» . Химический мир .
  10. ^ Jump up to: а б Джампер, Джон; Эванс, Ричард; Притцель, Александр; Грин, Тим; Фигурнов Михаил; Роннебергер, Олаф; Туньясувунакул, Кэтрин; Бейтс, Расс; Жидек, Августин; Потапенко, Анна; Бриджланд, Алекс; Мейер, Клеменс; Коль, Саймон А.А.; Баллард, Эндрю Дж; Коуи, Эндрю; Ромера-Паредес, Бернардино; Николов Станислав; Джайн, Ришуб; Адлер, Йонас; Назад, Тревор; Петерсен, Стиг; Рейман, Дэвид; Клэнси, Эллен; Зелински, Михал; Штайнеггер, Мартин; Пачольска, Михалина; Бергаммер, Томас; Боденштейн, Себастьян; Сильвер, Дэвид; Виньялс, Иволга; Старший, Эндрю В.; Кавукчуоглу, Корай; Кохли, Пушмит; Хассабис, Демис (15 июля 2021 г.). «Высокоточное предсказание структуры белка с помощью AlphaFold» . Природа . 596 (7873): 583–589. Бибкод : 2021Nature.596..583J . дои : 10.1038/s41586-021-03819-2 . ПМЦ   8371605 . PMID   34265844 .
  11. ^ «GitHub — deepmind/alphafold: открытый исходный код для AlphaFold » Гитхаб . Получено 2 июля 2021 г.
  12. ^ «База данных структуры белков AlphaFold» . Alphafold.ebi.ac.uk . Проверено 24 июля 2021 г.
  13. ^ Jump up to: а б с «AlphaFold 3 предсказывает структуру и взаимодействие всех молекул жизни» . Google . 08 мая 2024 г. Проверено 9 мая 2024 г.
  14. ^ Jump up to: а б с «AlphaFold: Использование ИИ для научных открытий» . Глубокий разум . 15 января 2020 г. Проверено 30 ноября 2020 г.
  15. ^ Мохаммед Аль-Кураиши (май 2019 г.), AlphaFold на CASP13 , Биоинформатика , 35 (22), 4862–4865 doi : 10.1093/биоинформатика/btz422 . См. также Мохаммед Аль-Курайши (9 декабря 2018 г.), AlphaFold @ CASP13: «Что только что произошло?» (сообщение в блоге).
    Мохаммед Аль-Курайши (15 января 2020 г.), Переломный момент в предсказании структуры белков , Nature 577 , 627–628. два : 10.1038/d41586-019-03951-0
  16. ^ AlphaFold: Машинное обучение для прогнозирования структуры белков , Foldit , 31 января 2020 г.
  17. ^ Jump up to: а б Джампер, Джон; и др. (август 2021 г.). «Высокоточное предсказание структуры белка с помощью AlphaFold» . Природа . 596 (7873): 583–589. Бибкод : 2021Natur.596..583J . дои : 10.1038/s41586-021-03819-2 . ISSN   1476-4687 . ПМЦ   8371605 . PMID   34265844 .
  18. ^ Jump up to: а б «DeepMind отвечает на одну из самых больших проблем биологии» . Экономист . 2020-11-30. ISSN   0013-0613 . Проверено 30 ноября 2020 г.
  19. ^ Jump up to: а б Джереми Кан, Уроки прорыва DeepMind в области искусственного интеллекта, складывающего белки , Fortune , 1 декабря 2020 г.
  20. ^ Jump up to: а б с д См. блок-схему. Также Джон Джампер и др. (1 декабря 2020 г.), Презентация AlphaFold 2 , Слайд
  21. ^ Джон Джампер и др., тезисы конференции (декабрь 2020 г.)
  22. ^ Заявлено, что модуль структуры использует «3-мерную эквивариантную архитектуру преобразователя» (Джон Джампер и др. (1 декабря 2020 г.), презентация AlphaFold 2 , слайд 12).
    Одна конструкция трансформаторной сети с SE (3) была эквивариантностью предложена в работе Fabian Fuchs et al SE (3)-Transformers: 3D Roto-Translation Equivariant Attention Networks , NeurIPS 2020; также веб-сайт . Неизвестно, насколько это может быть похоже или не похоже на то, что использовалось в AlphaFold.
    См. также сообщение в блоге AlQuaraishi об этом или более подробное сообщение Фабиана Фукса.
  23. ^ Джон Джампер и др. (1 декабря 2020 г.), презентация AlphaFold 2 , слайды с 12 по
  24. ^ Каллауэй, Юэн (13 апреля 2022 г.). «Что будет дальше с AlphaFold и революцией в складывании белков ИИ» . Природа . 604 (7905): 234–238. Бибкод : 2022Natur.604..234C . дои : 10.1038/d41586-022-00997-5 . ПМИД   35418629 . S2CID   248156195 .
  25. ^ Мец, Кейд (08 мая 2024 г.). «Google представляет искусственный интеллект для прогнозирования поведения молекул человека» . Нью-Йорк Таймс . ISSN   0362-4331 . Проверено 9 мая 2024 г.
  26. ^ Абрамсон, Джош; Адлер, Йонас; Дангер, Джек; Эванс, Ричард; Грин, Тим; Притцель, Александр; Роннебергер, Олаф; Уиллмор, Линдси; Баллард, Эндрю Дж.; Бамбрик, Джошуа; Боденштейн, Себастьян В.; Эванс, Дэвид А.; Хун, Чиа-Чун; О'Нил, Майкл; Рейман, Дэвид (08 мая 2024 г.). «Точное предсказание структуры биомолекулярных взаимодействий с помощью AlphaFold 3» . Природа : 1–3. doi : 10.1038/s41586-024-07487-w . ISSN   1476-4687 . ПМЦ   11168924 .
  27. ^ Точное предсказание структуры биомолекулярных взаимодействий с помощью AlphaFold 3 , pdf препринта статьи в журнале Nature.
  28. ^ Некоммерческий сервер AlphaFold-3.
  29. ^ Производительность группы на основе комбинированных z-показателей , CASP 13, декабрь 2018 г. (AlphaFold = Team 043: A7D)
  30. ^ Jump up to: а б Сэмпл, Ян (2 декабря 2018 г.). «DeepMind от Google предсказывает трехмерные формы белков» . Хранитель . Проверено 30 ноября 2020 г. .
  31. ^ «AlphaFold: Использование ИИ для научных открытий» . Глубокий разум . Проверено 30 ноября 2020 г. .
  32. ^ Сингх, Арунима (2020). «Глубокое обучение 3D-структур» . Природные методы . 17 (3): 249. doi : 10.1038/s41592-020-0779-y . ISSN   1548-7105 . ПМИД   32132733 . S2CID   212403708 .
  33. ^ См. таблицы данных CASP 13 для 043 A7D, 322 Zhang и 089 MULTICOM.
  34. ^ Вэй Чжэн и др ., Прогнозирование структуры белка на основе контактной карты глубокого обучения в CASP13 , Белки: структура, функции и биоинформатика , 87 (12) 1149–1164 дои : 10.1002/прот.25792 ; и слайды
  35. ^ Хоу, Цзе; Ву, Тяньци; Цао, Ренжи; Ченг, Цзяньлинь (25 апреля 2019 г.). «Моделирование третичной структуры белка на основе глубокого обучения и прогнозирования контактного расстояния в CASP13» . Белки: структура, функции и биоинформатика . 87 (12). Уайли: 1165–1178. bioRxiv   10.1101/552422 . дои : 10.1002/прот.25697 . ISSN   0887-3585 . ПМК   6800999 . ПМИД   30985027 .
  36. ^ Jump up to: а б «Прорыв DeepMind помогает понять, как болезни проникают в клетки» . Bloomberg.com . 2020-11-30 . Проверено 30 ноября 2020 г.
  37. ^ «глубокий разум/глубинное исследование» . Гитхаб . Проверено 30 ноября 2020 г.
  38. ^ Jump up to: а б с «AlphaFold: решение грандиозной проблемы биологии, возникшей 50 лет назад» . Глубокий разум . 30 ноября 2020 г. Проверено 30 ноября 2020 г. .
  39. ^ «ИИ компании DeepMind, сворачивающий белки, решил грандиозную проблему биологии, возникшую 50 лет назад» . Обзор технологий Массачусетского технологического института . Проверено 30 ноября 2020 г. .
  40. ^ Для используемой меры GDT_TS каждый атом в прогнозе получает четверть балла, если он находится в пределах 8 Å (0,80 нм) от экспериментального положения; половина точки, если она находится в пределах 4 Å, три четверти точки, если она находится в пределах 2 Å, и целая точка, если она находится в пределах 1 Å.
  41. ^ Чтобы получить оценку GDT_TS 92,5, математически не менее 70% структуры должны быть с точностью до 1 Å, а не менее 85% должны иметь точность с точностью до 2 Å,
  42. ^ Каллауэй, Юэн (13 декабря 2022 г.). «После AlphaFold: соревнование по сворачиванию белков стремится к следующему большому прорыву» . Природа . 613 (7942): 13–14. дои : 10.1038/d41586-022-04438-1 . ПМИД   36513827 . S2CID   254660427 .
  43. ^ Решение искусственного интеллекта для решения 50-летней научной проблемы может «революционизировать» медицинские исследования (пресс-релиз), CASP , 30 ноября 2020 г. Оргкомитет
  44. ^ Бриджит Нерлих, Сворачивание белка и научная коммуникация: между шумихой и смирением , Ноттингемского университета , 4 декабря 2020 г. блог
  45. ↑ Майкл Ле Пейдж, биолог DeepMind, занимающийся искусственным интеллектом, может разгадать секреты механизма жизни , New Scientist , 30 ноября 2020 г.
  46. ↑ Предсказания новейшего искусственного интеллекта DeepMind могут произвести революцию в медицине , New Scientist , 2 декабря 2020 г.
  47. ↑ Том Уиппл, Deepmind находит «Святой Грааль» биологии с ответом на проблему белка , The Times (онлайн), 30 ноября 2020 г.
    Всего научный редактор Том Уиппл написал шесть статей на эту тему для «Таймс» в день появления новостей . ( нить ).
  48. ↑ Кейд Мец , Лондонская лаборатория искусственного интеллекта заявляет о прорыве, который может ускорить открытие лекарств , New York Times , 30 ноября 2020 г.
  49. ^ Ян Сэмпл, ИИ DeepMind решает 50-летнюю проблему сворачивания белка , The Guardian , 30 ноября 2020 г.
  50. ^ Лиззи Робертс, «Раз в поколение вперед», как исследователи Google AI решают 50-летнюю биологическую задачу . Дейли Телеграф , 30 ноября 2020 г.
  51. ^ Тим Хаббард , Секрет жизни, часть 2: решение проблемы сворачивания белка. , medium.com , 30 ноября 2020 г.
  52. ^ например, Грег Боуман, Сворачивание белка и связанные с ним проблемы остаются нерешенными, несмотря на достижения AlphaFold , Folding@home , 8 декабря 2020 г. блог
  53. ^ Кнапп, Алекс. «Объявлены прорывные премии 2023 года: компания Deepmind Protein Folders получила 3 ​​миллиона долларов» . Форбс . Проверено 9 мая 2024 г.
  54. ^ Сэмпл, Ян (21 сентября 2023 г.). «Команда программы искусственного интеллекта AlphaFold выиграла научную премию Ласкера» . Хранитель . ISSN   0261-3077 . Проверено 9 мая 2024 г.
  55. ^ Домингес, Нуньо (2 декабря 2020 г.). «Искусственный интеллект решает одну из важнейших проблем биологии» . Эль Паис (на испанском языке) . Проверено 12 мая 2024 г.
  56. ^ Бриггс, Дэвид (04 декабря 2020 г.). «Если Alphafold2 от Google действительно решил проблему сворачивания белков, им нужно продемонстрировать свою работу» . Скептик . Проверено 12 мая 2024 г.
  57. ^ Демис Хассабис , «Краткая информация о захватывающем прогрессе в #AlphaFold!» (твит), через Твиттер , 18 июня 2021 г.
  58. ^ AlphaFold3 - почему Nature опубликовала его без кода?
  59. ^ AlphaFold 3: Шаг в будущее прогнозирования структуры
  60. ^ «База данных структуры белков AlphaFold» . Alphafold.ebi.ac.uk . Проверено 29 июля 2021 г.
  61. ^ «База данных структуры белков AlphaFold» . Alphafold.ebi.ac.uk . Проверено 27 июля 2021 г.
  62. ^ «База данных структуры белков AlphaFold» . www.alphafold.ebi.ac.uk .
  63. ^ ИнтерПро (22 июля 2021 г.). «Предсказания альфафолдной структуры, доступные в Interpro» . протеиныwebteam.github.io . Проверено 29 июля 2021 г.
  64. ^ «Передача силы AlphaFold в руки всего мира» . Глубокий разум . 22 июля 2022 г.
  65. ^ Каллауэй, Юэн (28 июля 2022 г.). « Вся белковая вселенная»: ИИ предсказывает форму почти каждого известного белка» . Природа . 608 (7921): 15–16. Бибкод : 2022Natur.608...15C . дои : 10.1038/d41586-022-02083-2 . ПМИД   35902752 . S2CID   251159714 .
  66. ^ Jump up to: а б «Какие варианты использования не поддерживает AlphaFold?» . База данных структуры белков AlphaFold .
  67. ^ AlphaFold объявляет революцию, основанную на данных, в биологии и медицине , Джанет М. Торнтон , Роман А. Ласковски и Нира Боркакоти, Nature Medicine , том 12, страницы 1666–1669, 12 октября 2021 г.
  68. ^ Макбрайд, Джон М.; Полев, Константин; Абдирасулов, Амирбек; Рейнгарц, Владимир; Гжибовский, Бартош А.; Тлусти, Цви (20 ноября 2023 г.). «AlphaFold2 может предсказывать эффекты одиночной мутации» . Письма о физических отзывах . 131 (21): 218401. arXiv : 2204.06860 . Бибкод : 2023PhRvL.131u8401M . doi : 10.1103/PhysRevLett.131.218401 . ISSN   0031-9007 . ПМИД   38072605 .
  69. ^ «Последний прорыв DeepMind в области искусственного интеллекта может ускорить открытие новых лекарств» . Компания Фаст . ISSN   1085-9241 . Проверено 24 января 2023 г.
  70. ^ Багдонас, Гарольдас; Фогарти, Карл А.; Фадда, Элиза; Агирре, Джон (29 октября 2021 г.). «Дело в пользу постпрогнозированных модификаций в базе данных структуры белков AlphaFold» (PDF) . Структурная и молекулярная биология природы . 28 (11): 869–870. дои : 10.1038/s41594-021-00680-9 . ISSN   1545-9985 . ПМИД   34716446 . S2CID   240228913 .
  71. ^ Ан, Хён Джу; Фрелих, Джон В.; Лебрилла, Карлито Б (01 октября 2009 г.). «Определение сайтов гликозилирования и сайт-специфической гетерогенности в гликопротеинах» . Современное мнение в области химической биологии . Аналитические методы/механизмы. 13 (4): 421–426. дои : 10.1016/j.cbpa.2009.07.022 . ISSN   1367-5931 . ПМЦ   2749913 . ПМИД   19700364 .
  72. ^ Хекельман, Мартин Л.; де Врис, Ида; Йостен, Робби П.; Перракис, Анастасис (февраль 2023 г.). «AlphaFill: обогащение моделей AlphaFold лигандами и кофакторами » Природные методы 20 (2): 205–213. дои : 10.1038/s41592-022-01685-y . ПМЦ   9911346 . ПМИД   36424442 .
  73. ^ Домбровский-Туманский, Павел; Стасяк, Анджей (7 ноября 2023 г.). «Слепота AlphaFold к топологическим барьерам влияет на ее способность правильно предсказывать топологию белков» . Молекулы . 28 (22): 7462. doi : 10,3390/molecules28227462 . ПМЦ   10672856 . ПМИД   38005184 .
  74. ^ «ИИ может помочь ученым найти вакцину от Covid-19» . Проводной . ISSN   1059-1028 . Проверено 1 декабря 2020 г.
  75. ^ Jump up to: а б «Вычислительные прогнозы белковых структур, связанных с COVID-19» . Глубокий разум . 4 августа 2020 г. Проверено 1 декабря 2020 г.
  76. ^ «Как новый ИИ DeepMind, складывающий белки, уже помогает бороться с пандемией коронавируса» . Удача . Проверено 1 декабря 2020 г.

Дальнейшее чтение

[ редактировать ]
[ редактировать ]
Retrieved from "https://en.wikipedia.org/w/index.php?title=AlphaFold&oldid=1237685285#AlphaFold_3"
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: 8d1acd11b07ab1fbf61afe336ffe60ec__1722376260
URL1:https://arc.ask3.ru/arc/aa/8d/ec/8d1acd11b07ab1fbf61afe336ffe60ec.html
Заголовок, (Title) документа по адресу, URL1:
AlphaFold - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)