El 1 de noviembre, DeepMind, un instituto de investigación de IA dependiente de Google, publicó en su sitio web oficial los últimos avances tecnológicos del modelo de predicción de la estructura de proteínas AlphaFold: ha mejorado significativamente la precisión de la predicción y ha ampliado la cobertura de las proteínas a otras biomoléculas, incluidos los ligandos (moléculas pequeñas).
Se sabe que AlphaFold es capaz de predecir casi todas las moléculas de la base de datos de proteínas (PDB), incluidos ligandos, proteínas, ácidos nucleicos (ADN y ARN) y moléculas que contienen modificaciones postraduccionales (PTM), al nivel de laboratorios de precisión atómica, lo cual es esencial para la investigación farmacéutica.
Base de datos de la estructura de la proteína Alphafold:
Últimas novedades:
Más allá del plegamiento de proteínas
Desde que Google lanzó por primera vez AlphaFold en 2020, ha revolucionado la forma en que se entienden las proteínas y sus interacciones, prediciendo con éxito la estructura tridimensional de las proteínas y ayudando a lograr importantes avances tecnológicos en el campo de las ciencias biológicas.
AlphaFold es un avance fundamental en la predicción de proteínas monocatenarias. Luego, el AlphaFold-Multimer se expandió a complejos que contienen múltiples cadenas de proteínas, seguido de AlphaFold 2.3 para mejorar el rendimiento y ampliar la cobertura de complejos más grandes.
En 2022, las predicciones estructurales de AlphaFold, que cubren prácticamente todas las proteínas catalogadas conocidas por la ciencia, se han puesto a disposición de forma gratuita en la base de datos de estructuras de proteínas de AlphaFold a través de una colaboración con el Instituto Europeo de Bioinformática (EMBL-EBI).
Hasta la fecha, 1,4 millones de usuarios en más de 190 países han accedido a la base de datos de estructura de proteínas de AlphaFold, y científicos de todo el mundo han utilizado las predicciones de AlphaFold para ayudar a avanzar en la investigación que va desde acelerar el desarrollo de nuevas vacunas contra la malaria y avanzar en el descubrimiento de fármacos contra el cáncer**, hasta el desarrollo de enzimas que degradan el plástico para hacer frente a la contaminación.
El último modelo de AlphaFold no se limita al plegamiento de proteínas, sino que también genera predicciones estructurales muy precisas para ligandos, proteínas, ácidos nucleicos y modificaciones postraduccionales.
Acelerando el desarrollo de fármacos
El análisis de los datos mostró que el último modelo de AlphaFold era significativamente mejor que AlphaFold 2.3 en algunos problemas de predicción de la estructura de proteínas relacionados con el descubrimiento de fármacos, como la unión de anticuerpos. Además, la predicción precisa de la estructura de proteínas y ligandos es una herramienta importante para el descubrimiento de fármacos, que puede ayudar a los científicos a identificar y diseñar nuevas moléculas que puedan convertirse en fármacos.
El estándar actual en la industria farmacéutica es utilizar un "método de acoplamiento" para determinar la interacción entre ligandos y proteínas. Estos métodos de acoplamiento requieren una estructura rígida de la proteína de referencia y un sitio de unión al ligando sugerido.
El último modelo de AlphaFold establece un nuevo estándar para la predicción de la estructura proteína-ligando a través de métodos de acoplamiento mejores que los mejores, sin la necesidad de hacer referencia a la estructura de la proteína o a la ubicación de las bolsas de ligandos, lo que permite predicciones de proteínas completamente nuevas que nunca antes se habían caracterizado estructuralmente.
La posición de todos los átomos también se puede modelar, lo que le permite representar la completa flexibilidad inherente de las proteínas y los ácidos nucleicos para interactuar con otras moléculas, lo que no es posible con los métodos de acoplamiento.
Por ejemplo, aquí hay tres casos relacionados con el tratamiento publicados recientemente en los que las estructuras predichas por el último modelo AlphaFold (que se muestran en color) coinciden estrechamente con las estructuras determinadas experimentalmente (que se muestran en gris):
Predicciones para PORCN (1), KRAS (2) y PI5P4Kγ (3).
PORCN: Molécula anticancerígena en fase clínica que se une a su diana, así como a otra proteína.
KRAS: Complejo ternario formado con un ligando covalente (un pegamento molecular) de una diana importante del cáncer.
PI5P4Kγ: Inhibidor alostérico selectivo de las lípidos quinasas con múltiples efectos patológicos, incluyendo cáncer y enfermedades inmunitarias.
Una nueva comprensión de la biología
Al desbloquear el modelado de estructuras de proteínas y ligandos, así como ácidos nucleicos y estructuras que contienen modificaciones postraduccionales, el último modelo de AlphaFold proporciona una herramienta más rápida y precisa para examinar la biología subyacente.
Por ejemplo, involucra la estructura de la unión de CasLambda al ARNcr y al ADN, que forma parte de la familia CRISPR.
CasLambda comparte el poder de la edición de genes con el sistema CRISPR-Cas9, ampliamente conocido como "tijeras genéticas", que los investigadores pueden usar para alterar el ADN de animales, plantas y microbios. El tamaño más pequeño de CasLambda puede hacer que su uso sea más eficiente en la edición de genes.
Estructura predicha de CasLambda (Cas12l) unida a crRNA y ADN (parte del subsistema CRISPR).
La capacidad de AlphaFold para modelar sistemas tan complejos sugiere que los modelos de IA pueden ayudar a la comunidad de biotecnología médica a comprender mejor este tipo de mecanismos y acelerar su aplicación en el proceso terapéutico.
Según DeepMind de Google, el último modelo de AlphaFold puede ayudar a los avances biomédicos y construir la próxima era de la "biología digital", proporcionando predicciones detalladas e importantes para la genómica, los materiales biorenovables, la inmunidad de las plantas, los posibles objetivos terapéuticos, el diseño de fármacos y mucho más.
Ver originales
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
¡El modelo AlphaFold de Google ha marcado el comienzo de un gran avance! Se pueden predecir biomoléculas y ligandos
Fuente original: AIGC Open Community
El 1 de noviembre, DeepMind, un instituto de investigación de IA dependiente de Google, publicó en su sitio web oficial los últimos avances tecnológicos del modelo de predicción de la estructura de proteínas AlphaFold: ha mejorado significativamente la precisión de la predicción y ha ampliado la cobertura de las proteínas a otras biomoléculas, incluidos los ligandos (moléculas pequeñas).
Se sabe que AlphaFold es capaz de predecir casi todas las moléculas de la base de datos de proteínas (PDB), incluidos ligandos, proteínas, ácidos nucleicos (ADN y ARN) y moléculas que contienen modificaciones postraduccionales (PTM), al nivel de laboratorios de precisión atómica, lo cual es esencial para la investigación farmacéutica.
Base de datos de la estructura de la proteína Alphafold:
Últimas novedades:
Más allá del plegamiento de proteínas
Desde que Google lanzó por primera vez AlphaFold en 2020, ha revolucionado la forma en que se entienden las proteínas y sus interacciones, prediciendo con éxito la estructura tridimensional de las proteínas y ayudando a lograr importantes avances tecnológicos en el campo de las ciencias biológicas.
AlphaFold es un avance fundamental en la predicción de proteínas monocatenarias. Luego, el AlphaFold-Multimer se expandió a complejos que contienen múltiples cadenas de proteínas, seguido de AlphaFold 2.3 para mejorar el rendimiento y ampliar la cobertura de complejos más grandes.
En 2022, las predicciones estructurales de AlphaFold, que cubren prácticamente todas las proteínas catalogadas conocidas por la ciencia, se han puesto a disposición de forma gratuita en la base de datos de estructuras de proteínas de AlphaFold a través de una colaboración con el Instituto Europeo de Bioinformática (EMBL-EBI).
El último modelo de AlphaFold no se limita al plegamiento de proteínas, sino que también genera predicciones estructurales muy precisas para ligandos, proteínas, ácidos nucleicos y modificaciones postraduccionales.
Acelerando el desarrollo de fármacos
El análisis de los datos mostró que el último modelo de AlphaFold era significativamente mejor que AlphaFold 2.3 en algunos problemas de predicción de la estructura de proteínas relacionados con el descubrimiento de fármacos, como la unión de anticuerpos. Además, la predicción precisa de la estructura de proteínas y ligandos es una herramienta importante para el descubrimiento de fármacos, que puede ayudar a los científicos a identificar y diseñar nuevas moléculas que puedan convertirse en fármacos.
El estándar actual en la industria farmacéutica es utilizar un "método de acoplamiento" para determinar la interacción entre ligandos y proteínas. Estos métodos de acoplamiento requieren una estructura rígida de la proteína de referencia y un sitio de unión al ligando sugerido.
El último modelo de AlphaFold establece un nuevo estándar para la predicción de la estructura proteína-ligando a través de métodos de acoplamiento mejores que los mejores, sin la necesidad de hacer referencia a la estructura de la proteína o a la ubicación de las bolsas de ligandos, lo que permite predicciones de proteínas completamente nuevas que nunca antes se habían caracterizado estructuralmente.
La posición de todos los átomos también se puede modelar, lo que le permite representar la completa flexibilidad inherente de las proteínas y los ácidos nucleicos para interactuar con otras moléculas, lo que no es posible con los métodos de acoplamiento.
Por ejemplo, aquí hay tres casos relacionados con el tratamiento publicados recientemente en los que las estructuras predichas por el último modelo AlphaFold (que se muestran en color) coinciden estrechamente con las estructuras determinadas experimentalmente (que se muestran en gris):
PORCN: Molécula anticancerígena en fase clínica que se une a su diana, así como a otra proteína.
KRAS: Complejo ternario formado con un ligando covalente (un pegamento molecular) de una diana importante del cáncer.
PI5P4Kγ: Inhibidor alostérico selectivo de las lípidos quinasas con múltiples efectos patológicos, incluyendo cáncer y enfermedades inmunitarias.
Una nueva comprensión de la biología
Al desbloquear el modelado de estructuras de proteínas y ligandos, así como ácidos nucleicos y estructuras que contienen modificaciones postraduccionales, el último modelo de AlphaFold proporciona una herramienta más rápida y precisa para examinar la biología subyacente.
Por ejemplo, involucra la estructura de la unión de CasLambda al ARNcr y al ADN, que forma parte de la familia CRISPR.
CasLambda comparte el poder de la edición de genes con el sistema CRISPR-Cas9, ampliamente conocido como "tijeras genéticas", que los investigadores pueden usar para alterar el ADN de animales, plantas y microbios. El tamaño más pequeño de CasLambda puede hacer que su uso sea más eficiente en la edición de genes.
La capacidad de AlphaFold para modelar sistemas tan complejos sugiere que los modelos de IA pueden ayudar a la comunidad de biotecnología médica a comprender mejor este tipo de mecanismos y acelerar su aplicación en el proceso terapéutico.
Según DeepMind de Google, el último modelo de AlphaFold puede ayudar a los avances biomédicos y construir la próxima era de la "biología digital", proporcionando predicciones detalladas e importantes para la genómica, los materiales biorenovables, la inmunidad de las plantas, los posibles objetivos terapéuticos, el diseño de fármacos y mucho más.