DeepMind'dan yeni sonuçlar! Ezici geleneksel modeller, hala uygulanacak tonlarca fikir var
AlphaGo ve AlphaZero'nun yeni kardeşleri var, bu sefer bilim adamının şaşkınlık sırası geldi.
DeepMind geçtiğimiz günlerde AlphaFold'u son iki yıldır geliştirdiğini duyurdu: bilimsel keşfi hızlandırmak için yapay zeka kullanan bir sistem.
Sadece proteinin gen dizisine dayanarak proteinin 3 boyutlu yapısını tahmin edebilir ve sonuç önceki modellerden daha doğrudur.
"Protein Yapısı Tahmin Olimpiyatları" CASP yarışmasında, 97 diğer yarışmacıyı ezdi. Guardian, AlphaFold'un 43 proteinden 25 proteinin en kesin yapısını tahmin ettiğini bildirdi. Aynı kategorideki ikinci sıradaki takım sadece üçünü tahmin etti.
Yarışmanın sonucu Google G043
İlgili araştırmacılar, DeepMind'ın harika olduğunu söylediler! Yöntemlerinin ayrıntılarını bilmek istiyorum.
Bu araştırma için DeepMind, "DeepMind'ın bilimsel keşif alanındaki ilk önemli dönüm noktası" olarak adlandırdı ve biyolojinin temel zorluklarından birinde önemli ilerleme kaydetti.
The Guardian, bunun "yeni bir tıbbi ilerleme çağı açacağını" yorumladı.
Ne kadar ilerleme var?
Herhangi bir proteinin yapabilecekleri, benzersiz 3 boyutlu yapısına bağlıdır. Bu nedenle, bir proteinin 3 boyutlu yapısını doğru bir şekilde tahmin etmek büyük önem taşır.
Birincisi, bilim insanlarının proteinin insan vücudundaki rolünü daha iyi anlamalarına yardımcı olabilir. Alzheimer hastalığı, Parkinson hastalığı, Huntington hastalığı vb. Gibi protein yanlış katlanmasının neden olduğu hastalıkların tanı ve tedavisi için gereklidir.
İkincisi, vücut ve onun nasıl çalıştığına dair anlayışımızı geliştirecek ve bilim adamlarının hastalıklar için yeni ve etkili tedavileri daha etkili bir şekilde tasarlamalarını sağlayacak.
Proteinlerin şekli ve simülasyonlar ve modeller aracılığıyla nasıl çalıştıkları hakkında daha fazla bilgi edindikçe, ilaç geliştirmeyi kolaylaştıracak ve ilgili deneysel maliyetleri azaltacaktır.
Üçüncüsü, proteinlerin daha iyi tasarlanmasına da yardımcı olur.Bir örnek, biyolojik olarak parçalanabilir enzimlerin ilerlemesini teşvik edebilir ve plastik ve yağ gibi kirleticileri kontrol etmemize yardımcı olabilir.
Aslında, araştırmacılar bakterileri proteinleri salgılayacak ve atıkları biyolojik olarak parçalanabilir hale getirecek şekilde geliştirmeye başladılar ve bu da işlenmesini kolaylaştırdı.
Bununla birlikte, bir proteinin 3 boyutlu şeklini sadece gen dizisine göre belirlemek karmaşık bir görevdir.
Buradaki zorluk, gen dizisinin yalnızca proteinin parçası olan amino asit kalıntılarının dizi bilgisini içermesi ve bu amino asit kalıntılarının uzun zincirler oluşturmasıdır. Bu uzun zincirlerin karmaşık 3 boyutlu yapılara nasıl katlandığını tahmin etmeye "protein katlama sorunu" denir.
Protein ne kadar büyükse, amino asitler arasındaki etkileşim o kadar fazla, modelleme o kadar karmaşık ve zorluk katlanarak artacaktır. Levinthal paradoksunda belirtildiği gibi, bir proteinin doğru 3B yapısını bulmadan önce, tipik bir proteinin tüm olası konfigürasyonlarını sıralamak evrenin varlığından daha uzun sürer.
Peki, DeepMind'ın bu sorunu çözmeye yaklaşımı nedir?
DeepMind çözümü: derin sinir ağına dayalı
DeepMind, şablon olarak önceden çözülmüş proteinleri kullanmak yerine hedef şekli sıfırdan simüle etmeye odaklandıklarını belirtti.
Bu nedenle, protein yapısının fiziksel özelliklerini tahmin ederken, DeepMind çok yüksek bir doğruluk elde etti ve ardından tam bir protein yapısı tahmini oluşturmak için iki farklı yöntem kullanıyor.
Her iki yöntem de, gen dizilerinden proteinlerin iki özelliğini tahmin etmek için eğitilmesi gereken derin sinir ağlarına dayanır:
1) Amino asit çiftleri arasındaki mesafe;
2) Bu amino asitleri birbirine bağlayan kimyasal bağlar arasındaki açı.
Spesifik adımlar şunlardır:
Proteindeki her bir kalıntı çifti arasındaki mesafe dağılımını tahmin etmek için bir sinir ağı eğitin. Daha sonra bu olasılıklar, bir protein yapısının doğruluğunu tahmin etmek için kullanılan bir skorda birleştirilir.
Ek olarak, DeepMind ayrıca başlangıçta verilen protein yapısının tüm mesafelerin toplamına dayanarak doğru cevaba ne kadar yakın olduğunu değerlendirmek için ayrı bir sinir ağını eğitti.
Ardından, bu puanlama işlevlerine dayanarak tahmini karşılayan yapıyı bulun.
DeepMind'ın kullandığı ilk yöntem, protein yapı parçalarını tekrar tekrar yeni protein parçalarıyla değiştirmek için yapısal biyolojide yaygın olarak kullanılan tekniklere dayanmaktadır.Protein yapısının skorunu sürekli olarak iyileştirmek için yeni fragmanlar icat etmek için üretici bir sinir ağını eğittiler. .
İkinci yöntem, yüksek hassasiyetli bir yapı elde etmek için küçük ve artımlı iyileştirmeler yapabilen, makine öğreniminde yaygın olarak kullanılan matematiksel bir teknik olan gradyan iniş yöntemiyle puanı optimize etmektir.
Bu tekniği, montajdan önce ayrı ayrı katlanması gereken parçalar yerine tüm protein zincirine uyguladılar ve böylece tahmin sürecinin karmaşıklığını azalttılar.
"Bir ton" dan fazla fikir var
DeepMind'in amacı, AlphaFold'u temel bilim alanında AlphaGo ve AlphaZero'ya yerleştirmektir. Dediler,
Protein katlama alanına ilk girişimimiz, makine öğrenimi sistemlerinin çeşitli bilgi kaynaklarını entegre edebileceğini ve bilim insanlarının karmaşık sorunlara hızla yaratıcı çözümler bulmasına yardımcı olabileceğini gösteriyor. Yapay zekanın AlphaGo ve AlphaZero gibi sistemler aracılığıyla insanlara karmaşık oyunlarda ustalaşmasına nasıl yardımcı olabileceğini gördüğümüz gibi, bir gün yapay zeka alanındaki atılımların da temel bilimsel problemlerin üstesinden gelmemize yardımcı olacağını umuyoruz.DeepMind CEO'su Demis Hassabis güven dolu.
"Protein katlanma sorununu tam olarak çözmedik. Bu sadece ilk adım," dedi. "Bu çok zorlu bir sorun, ancak iyi bir sistemimiz var ve hala uygulanmamış tonlarca fikrimiz var."
- Bitiş -
Samimi işe alım
Qubit, editörleri / muhabirleri işe alıyor ve merkezi Pekin, Zhongguancun'da bulunuyor. Yetenekli ve hevesli öğrencilerin bize katılmasını dört gözle bekliyoruz! İlgili ayrıntılar için lütfen QbitAI diyalog arayüzünde "işe alım" kelimesini yanıtlayın.
Qubit QbitAI · Toutiao İmzalayan Yazar
' ' Yapay zeka teknolojisi ve ürünlerindeki yeni eğilimleri takip edin
