DeepMind'ın salgındaki büyük ilerlemesi: AlphaFold, yeni koronavirüsün protein yapısını tahmin ediyor
[Xin Zhiyuan Rehberi] Bu kez, insanları AI ile yenmesiyle tanınan DeepMind, insanların yeni taç virüsünü yenmelerine yardım etmek istiyor! DeepMind, derin öğrenme sistemi AlphaFold'un yeni koronavirüsün protein yapısını tahmin edebileceğini ve ayrıca bilim adamlarının virüsü anlamaları ve aşı geliştirmeleri için gerekli olan altı tahmin yapısını yayınladığını söyleyen bir makale yayınladı.
Google'ın ana şirketi Alphabet'e bağlı bir yıldız yapay zeka şirketi olan DeepMind, insanları yenmek, insan Go dünya şampiyonunu yenmek için AlphaGo'ya güvenmek ve insan oyuncuların% 99,8'ini yenmek için AlphaStar'a güvenmekle dünyaca ünlüdür. Ve bu sefer DeepMind, insanların yeni taç virüsünü yenmelerine yardım etmek istiyor.
Virüsleri tespit etmek ve aşı geliştirmek için, bilim adamları öncelikle virüsün yapısını, özellikle de proteinini anlamalıdır. Bu uzun bir süreçtir, aylar sürer ve bazen boşuna. Son yıllarda araştırmacılar Bilgisayar tahmini .
Dünyanın dört bir yanındaki laboratuvarlar koronavirüs üzerinde çalışıyor ve DeepMindın derin öğrenme sistemi " AlphaFold ".
Birkaç gün önce, DeepMind, "SARS-CoV-2 (COVID-19'a neden olan virüs) ile ilgili pek çok çalışılmamış proteinin yapı tahminlerini yayınlayarak" bu araştırmaya yardımcı olma umudunu ifade eden bir makale yayınladı. Şimdi sizinle bu DeepMind makalesini paylaşalım.
DeepMind: COVID-19 ile ilgili protein yapısının hesaplamalı tahmini
"İnsanoğlu on yıllardır koronavirüsleri araştırıyor. Bu nedenle, COVID-19 salgınına hızlı bir şekilde yanıt vermek için geçmiş veritabanlarını kullanabiliriz. Sadece birkaç gün içinde yeni virüs tespit yöntemleri geliştirdik.
Bu COVID-19 SARS-CoV-2 virüsüyle ilgili protein yapısının suçlusu belirlenemedi.Geleneksel yöntem aylar veya daha uzun sürebilir, bu da virüsün işlevini ve bulaşma mekanizmasını anlamamıza çok şey kattı. Büyük engel.
Zaman alan geleneksel yöntemler ışığında, SARS-CoV-2 ile ilgili protein yapısı tahmini için AlphaFold'un yeni versiyonunu kullanıyoruz.Yeni sistem, benzer protein yapıları olmadan doğru tahminler yapabilir.
Araştırmacılara yardımcı olmayı umarak, birkaç model tarafından tahmin edilen virüs protein yapısını paylaştık.
Yeni sistemin önceki CASP13 sistemimizden daha doğru olduğuna inanıyoruz. Daha önce, deneysel olarak doğrulanmış SARS-CoV-2 spike protein yapısını bir protein veri tabanında başarılı bir şekilde tahmin etmiştik ve bu bize yeni sistemin diğer protein yapılarını tahmin etmesine yetecek kadar güven verdi.
Son zamanlarda, bulgularımızı Birleşik Krallık'taki Francis Crick Enstitüsü'ndeki yapısal biyologlar ve virologlar da dahil olmak üzere, yapımızı şimdi yayınlamaya teşvik eden birkaç meslektaşımızla paylaştık. Modelimiz, yapının hangi bölümlerinin doğru olma ihtimalinin daha yüksek olduğunu gösterecektir. Bu çalışılmamış proteinler, mevcut tedavilerin odak noktası olmasa da, araştırmacıların SARS-CoV-2 anlayışını artırabilirler.
Normal şartlar altında, bu çalışma yayınlanmadan önce hakem tarafından incelenene kadar bekleyeceğiz. fakat Zamanın aciliyeti ve salgının ciddiyeti göz önüne alındığında, SARS-CoV-2 ile ilgili altı proteinin tahmin edilen yapısını yayınlamaya karar verdik. , Bu veri dosyaları açık kaynaklı bir lisans kullanır ve artık herkes tarafından kullanılabilir.
İlgilenen araştırmacılar, bu veri dosyalarını, birçok teknik detayı da içeren sağladığımız bağlantı üzerinden indirebilirler. Sonuncu ama bir o kadar önemli, Bunlar tahmini yapılardır ve deneylerle doğrulanmamıştır. . "
DeepMind makalesinde sağlanan indirme dosyalarına dayanarak Xinzhiyuan, yalnızca referans için altı proteinin öngörülen yapı diyagramlarını oluşturmuştur (% 100 doğruluk garanti edilmez):
Orijinal dosya indirme adresi:
https://storage.googleapis.com/deepmind-com-v3-datasets/alphafold-covid19/structures_4_3_2020.zip
DeepMind, yeni taç virüsü "protein katlama" ağır silahını öngörüyor: AlphaFold! Hassasiyet arkadaşları ve insanları ezer
Yeni koronavirüsün protein yapısını tahmin etmek çok önemlidir, bilim adamlarının proteinin şekli ve simülasyonlar ve modeller aracılığıyla nasıl çalıştığı hakkında daha fazla bilgi edinmesine olanak tanır.Aynı zamanda yeni ilaçların geliştirilmesi için yeni potansiyeller açar, deneysel maliyetleri düşürür ve Bilim adamlarının daha etkili tedaviler bulması ve sonuçta tüm dünyadaki hastaları kurtarması için süreci büyük ölçüde hızlandırın.
Ve bu sefer, DeepMind'in yeni taç virüsün protein yapısını tahmin etmek için kullandığı gişe rekorları kıran silahı 2018'in sonunda piyasaya sürüldü ve çeşitli medya tarafından selamlandı. AlphaFold .
DeepMind, yapısal biyoloji, fizik ve makine öğrenimi alanlarından uzmanları bir proteinin 3 boyutlu yapısını yalnızca gen dizisine göre tahmin etmek için en son teknolojiyi uygulamak üzere bir araya getirir.
CASP küresel protein yapısı tahmini yarışması olarak bilinen "Olimpiyatlar" da AlphaFold'un arkadaşlar arasında sadece çok ileride olmadığı, hatta tahmin doğruluğunun bile insan uzmanları ezdiği bildirildi.
Bir proteinin üç boyutlu şeklini tamamen genetik bir diziden belirlemek karmaşık bir görevdir. Asıl zorluk, DNA'nın yalnızca uzun zincirler oluşturmak üzere düzenlenmiş amino asit kalıntıları olarak adlandırılan yapısal protein bloklarının dizisi hakkında bilgi içermesidir. Bu uzun zincirlerin, proteinlerin karmaşık 3 boyutlu yapılarına nasıl katlandığını tahmin etmek, sözde "protein katlanma sorunu" dur.
Protein ne kadar büyükse, model o kadar karmaşık ve zordur, çünkü amino asitler arasındaki etkileşim daha karmaşıktır. Bazı araştırmacılar, mevcut koşul düzeyine bağlı olarak, tüm proteinlerin 3B yapısını doğru bir şekilde belirlemek için, Evrenin yaşam süresinden daha uzun sürebilir .
Derin öğrenmeye dayalı yeni protein yapısı tahmin yöntemi
AlphaFold, çözülmüş proteini şablon olarak kullanmadan proteinin morfolojik yapısını sıfırdan modeller. Sonuç olarak, protein yapısının fiziksel özellikleri tahmin edilirken yüksek doğruluk elde edilir.Bu temelde, tam protein yapısının tahminini oluşturmak için iki farklı yöntem kullanılır.
Bu yöntemlerin her ikisi de, proteinlerin özelliklerini gen dizilerinden tahmin edebilen derin sinir ağlarına dayanır. Ağ tahmini için iki ana gösterge vardır: (1) Amino asit çiftleri arasındaki mesafe (2) Bu amino asitleri birbirine bağlayan kimyasal bağlar arasındaki açı. Bu teknik, amino asit çiftlerinin birbirine yakın olup olmadığını tahmin etmek için kullanılır.
Yukarıdaki şekil, üç protein için bir mesafe matrisine sahiptir. Her pikselin parlaklığı, protein dizisindeki amino asitler arasındaki mesafeyi temsil eder. Piksel ne kadar parlaksa eşleşme o kadar yakın olur. Deneysel olarak belirlenen gerçek mesafe üst satırda görüntülenirken, Alphafold'un beklenen mesafe dağılımının ortalama değeri alt satırda görüntülenir. Önemli olan, bu eşleşmelerin küresel ve yerel ölçekte iyi olmasıdır. Alt panel, aynı üç proteine göre Alpha Fuld'un tahmini (mavi) ve kesin referans verileri (yeşil) ile karakterize edilen aynı karşılaştırmayı temsil etmek için bir 3B model kullanır.
DeepMind ekibi, bir proteindeki her bir kalıntı çifti arasındaki mesafenin bireysel dağılımını tahmin etmek için bir sinir ağını eğitti. Bu olasılıklar daha sonra, karşılık gelen protein yapısı tahmininin doğruluk puanını oluşturmak için birleştirilir. Ek olarak, öngörülen tüm mesafeleri özetlemek ve tahmin edilen yapı ile gerçek yapı arasındaki yakınlığı tahmin etmek için ayrı bir sinir ağı eğitilir.
Bu puanlama fonksiyonlarını kullanarak, tahminle eşleşen protein yapıları bulunabilir. İlk yöntem, yapısal biyolojide yaygın olarak kullanılan ve orijinal protein yapısal parçalarını tekrar tekrar yeni protein yapısal parçalarıyla değiştiren tekniklere dayanmaktadır. Bu amaçla araştırma ekibi, yeni protein parçalarını icat etmek ve tahmin edilen protein yapılarının puanlarını sürekli olarak iyileştirmek için üretken bir sinir ağı eğitti.
İkinci yöntem, skoru optimize etmek için gradyan inişini kullanır. Gradyan iniş, makine öğreniminde yaygın olarak kullanılan bir tekniktir ve küçük, artımlı iyileştirmeler elde etmek ve nihayetinde son derece hassas yapılar üretmek için kullanılabilir. Araştırmacılar tekniği, montajdan önce ayrı ayrı katlanması gereken parçalar yerine tüm uzun protein zincirine uygulayarak tahmin sürecinin karmaşıklığını azaltır.
Akran incelemesi için sabırsızlanıyorum ve tahmin sonuçlarını mümkün olan en kısa sürede yayınlayamıyorum, doğruluk bilinmiyor
Bu, piyasaya sürülmeyen önceki GPT-2 ile keskin bir tezat oluşturuyor. Mevcut salgının aciliyeti nedeniyle, DeepMind meslektaş incelemesini geçmek için sabırsızlanıyordu. Protein yapısının tahmin sonuçlarını mümkün olan en kısa sürede yayınladı ve bir pdb dosyasında sakladı. Araştırmacılar onu indirebilir. Görüntüyü çizmek için pdb dosyasındaki verileri kullanın.
Şu anda, AlphaFold rekabette mükemmel sonuçlar elde etmesine rağmen, tahmin istikrarındaki eksiklikleri de çok önemli. Oyunda iki uç nokta gösterildi: 43 tahminden 25'i çok doğru iken diğerleri yanlıştı. Bu nedenle, AlphaFold'un yeni koronavirüs öngörüsünün doğruluğu hala bilinmemektedir. Akran incelemesi sonuçlarını ve gerçek klinik tedavinin doğrulanmasını sabırsızlıkla bekliyoruz.
Her durumda, DeepMind'in hareketi, özellikle salgına karşı mücadelede, AI'nın gerçek senaryolara uygulanması için yeni bir fikir açtı. Aynı zamanda, salgına karşı bu mücadelede daha fazla yerli AI şirketinin kendi atılımlarını bulabileceğini umuyorum!
