Le 1er novembre, DeepMind, un institut de recherche en IA de Google, a publié sur son site officiel les dernières avancées technologiques du modèle de prédiction de la structure des protéines AlphaFold : il a considérablement amélioré la précision de la prédiction et étendu la couverture des protéines à d’autres biomolécules, y compris les ligands (petites molécules).
AlphaFold est connu pour être capable de prédire presque toutes les molécules de la base de données des protéines (PDB), y compris les ligands, les protéines, les acides nucléiques (ADN et ARN) et les molécules contenant des modifications post-traductionnelles (PTM), au niveau des laboratoires de précision atomique, ce qui est essentiel pour la recherche pharmaceutique.
Base de données sur la structure des protéines Alphafold :
Derniers développements :
Au-delà du repliement des protéines
Depuis que Google a lancé AlphaFold pour la première fois en 2020, il a révolutionné la façon dont les protéines et leurs interactions sont comprises, en prédisant avec succès la structure tridimensionnelle des protéines et en contribuant à réaliser des percées technologiques majeures dans le domaine des sciences biologiques.
AlphaFold est une percée fondamentale dans la prédiction des protéines monocaténaires. L’AlphaFold-Multimer s’est ensuite étendu aux complexes contenant plusieurs chaînes protéiques, suivi d’AlphaFold 2.3 pour améliorer les performances et étendre la couverture des complexes plus grands.
En 2022, les prédictions structurelles d’AlphaFold, qui couvrent pratiquement toutes les protéines cataloguées connues de la science, ont été mises gratuitement à disposition dans la base de données de structures protéiques d’AlphaFold grâce à une collaboration avec l’Institut européen de bioinformatique (EMBL-EBI).
À ce jour, 1,4 million d’utilisateurs dans plus de 190 pays ont accédé à la base de données sur la structure des protéines d’AlphaFold, et les scientifiques du monde entier ont utilisé les prédictions d’AlphaFold pour faire avancer la recherche, allant de l’accélération du développement de nouveaux vaccins contre le paludisme à la découverte de médicaments anticancéreux**, en passant par le développement d’enzymes dégradant le plastique pour lutter contre la pollution.
Le dernier modèle AlphaFold ne se limite pas au repliement des protéines, mais génère également des prédictions structurelles très précises pour les ligands, les protéines, les acides nucléiques et les modifications post-traductionnelles.
Accélérer le développement de médicaments
L’analyse des données a montré que le dernier modèle AlphaFold était significativement meilleur qu’AlphaFold 2.3 dans certains problèmes de prédiction de la structure des protéines liés à la découverte de médicaments, tels que la liaison aux anticorps. De plus, la prédiction précise de la structure des protéines et des ligands est un outil important pour la découverte de médicaments, qui peut aider les scientifiques à identifier et à concevoir de nouvelles molécules qui pourraient devenir des médicaments.
La norme actuelle dans l’industrie pharmaceutique est d’utiliser une « méthode d’amarrage » pour déterminer l’interaction entre les ligands et les protéines. Ces méthodes d’amarrage nécessitent une structure protéique de référence rigide et un site de liaison au ligand suggéré.
Le dernier modèle AlphaFold établit une nouvelle norme pour la prédiction de la structure protéine-ligand grâce à des méthodes d’amarrage meilleures que les mieux rapportées, sans qu’il soit nécessaire de référencer la structure des protéines ou l’emplacement des poches de ligands, ce qui permet de prédire des protéines entièrement nouvelles qui n’ont jamais été caractérisées structurellement auparavant.
La position de tous les atomes peut également être co-modélisée, ce qui lui permet de représenter la flexibilité inhérente complète des protéines et des acides nucléiques dans l’interaction avec d’autres molécules, ce qui n’est pas possible avec les méthodes d’amarrage.
Par exemple, voici trois cas récemment publiés, liés au traitement, dans lesquels les structures prédites par le dernier modèle AlphaFold (en couleur) correspondaient étroitement aux structures déterminées expérimentalement (en gris) :
Prédictions pour PORCN (1), KRAS (2) et PI5P4Kγ (3).
PORCN : Molécule anticancéreuse de stade clinique qui se lie à sa cible ainsi qu’à une autre protéine.
KRAS : Complexe ternaire formé d’un ligand covalent (une colle moléculaire) d’une cible cancéreuse importante.
PI5P4Kγ : Inhibiteur allostérique sélectif des lipides kinases ayant de multiples effets sur les maladies, notamment le cancer et les maladies immunitaires.
Une nouvelle compréhension de la biologie
En débloquant la modélisation des structures des protéines et des ligands, ainsi que des acides nucléiques et des structures contenant des modifications post-traductionnelles, le dernier modèle AlphaFold fournit un outil plus rapide et plus précis pour examiner la biologie sous-jacente.
Par exemple, il s’agit de la structure de la liaison de CasLambda à l’ARNcr et à l’ADN, qui font partie de la famille CRISPR.
CasLambda partage le pouvoir de l’édition de gènes avec le système CRISPR-Cas9, largement connu sous le nom de « ciseaux génétiques », que les chercheurs peuvent utiliser pour modifier l’ADN des animaux, des plantes et des microbes. La plus petite taille de CasLambda peut le rendre plus efficace à utiliser dans l’édition de gènes.
Structure prédite de CasLambda (Cas12l) lié à l’ARNcr et à l’ADN (partie du sous-système CRISPR).
La capacité d’AlphaFold à modéliser des systèmes aussi complexes suggère que les modèles d’IA peuvent aider la communauté des biotechnologies médicales à mieux comprendre ces types de mécanismes et à accélérer leur application dans le processus thérapeutique.
Selon DeepMind de Google, le dernier modèle AlphaFold peut aider à faire des percées biomédicales et à construire la prochaine ère de la « biologie numérique », en fournissant des prédictions détaillées et importantes pour la génomique, les matériaux biorenouvelables, l’immunité des plantes, les cibles thérapeutiques potentielles, la conception de médicaments, etc.
Voir l'original
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
Le modèle AlphaFold de Google a ouvert la voie à une percée majeure ! Les biomolécules, les ligands peuvent être prédits
Source originale : Communauté ouverte de l’AIGC
Le 1er novembre, DeepMind, un institut de recherche en IA de Google, a publié sur son site officiel les dernières avancées technologiques du modèle de prédiction de la structure des protéines AlphaFold : il a considérablement amélioré la précision de la prédiction et étendu la couverture des protéines à d’autres biomolécules, y compris les ligands (petites molécules).
AlphaFold est connu pour être capable de prédire presque toutes les molécules de la base de données des protéines (PDB), y compris les ligands, les protéines, les acides nucléiques (ADN et ARN) et les molécules contenant des modifications post-traductionnelles (PTM), au niveau des laboratoires de précision atomique, ce qui est essentiel pour la recherche pharmaceutique.
Base de données sur la structure des protéines Alphafold :
Derniers développements :
Au-delà du repliement des protéines
Depuis que Google a lancé AlphaFold pour la première fois en 2020, il a révolutionné la façon dont les protéines et leurs interactions sont comprises, en prédisant avec succès la structure tridimensionnelle des protéines et en contribuant à réaliser des percées technologiques majeures dans le domaine des sciences biologiques.
AlphaFold est une percée fondamentale dans la prédiction des protéines monocaténaires. L’AlphaFold-Multimer s’est ensuite étendu aux complexes contenant plusieurs chaînes protéiques, suivi d’AlphaFold 2.3 pour améliorer les performances et étendre la couverture des complexes plus grands.
En 2022, les prédictions structurelles d’AlphaFold, qui couvrent pratiquement toutes les protéines cataloguées connues de la science, ont été mises gratuitement à disposition dans la base de données de structures protéiques d’AlphaFold grâce à une collaboration avec l’Institut européen de bioinformatique (EMBL-EBI).
Le dernier modèle AlphaFold ne se limite pas au repliement des protéines, mais génère également des prédictions structurelles très précises pour les ligands, les protéines, les acides nucléiques et les modifications post-traductionnelles.
Accélérer le développement de médicaments
L’analyse des données a montré que le dernier modèle AlphaFold était significativement meilleur qu’AlphaFold 2.3 dans certains problèmes de prédiction de la structure des protéines liés à la découverte de médicaments, tels que la liaison aux anticorps. De plus, la prédiction précise de la structure des protéines et des ligands est un outil important pour la découverte de médicaments, qui peut aider les scientifiques à identifier et à concevoir de nouvelles molécules qui pourraient devenir des médicaments.
La norme actuelle dans l’industrie pharmaceutique est d’utiliser une « méthode d’amarrage » pour déterminer l’interaction entre les ligands et les protéines. Ces méthodes d’amarrage nécessitent une structure protéique de référence rigide et un site de liaison au ligand suggéré.
Le dernier modèle AlphaFold établit une nouvelle norme pour la prédiction de la structure protéine-ligand grâce à des méthodes d’amarrage meilleures que les mieux rapportées, sans qu’il soit nécessaire de référencer la structure des protéines ou l’emplacement des poches de ligands, ce qui permet de prédire des protéines entièrement nouvelles qui n’ont jamais été caractérisées structurellement auparavant.
La position de tous les atomes peut également être co-modélisée, ce qui lui permet de représenter la flexibilité inhérente complète des protéines et des acides nucléiques dans l’interaction avec d’autres molécules, ce qui n’est pas possible avec les méthodes d’amarrage.
Par exemple, voici trois cas récemment publiés, liés au traitement, dans lesquels les structures prédites par le dernier modèle AlphaFold (en couleur) correspondaient étroitement aux structures déterminées expérimentalement (en gris) :
PORCN : Molécule anticancéreuse de stade clinique qui se lie à sa cible ainsi qu’à une autre protéine.
KRAS : Complexe ternaire formé d’un ligand covalent (une colle moléculaire) d’une cible cancéreuse importante.
PI5P4Kγ : Inhibiteur allostérique sélectif des lipides kinases ayant de multiples effets sur les maladies, notamment le cancer et les maladies immunitaires.
Une nouvelle compréhension de la biologie
En débloquant la modélisation des structures des protéines et des ligands, ainsi que des acides nucléiques et des structures contenant des modifications post-traductionnelles, le dernier modèle AlphaFold fournit un outil plus rapide et plus précis pour examiner la biologie sous-jacente.
Par exemple, il s’agit de la structure de la liaison de CasLambda à l’ARNcr et à l’ADN, qui font partie de la famille CRISPR.
CasLambda partage le pouvoir de l’édition de gènes avec le système CRISPR-Cas9, largement connu sous le nom de « ciseaux génétiques », que les chercheurs peuvent utiliser pour modifier l’ADN des animaux, des plantes et des microbes. La plus petite taille de CasLambda peut le rendre plus efficace à utiliser dans l’édition de gènes.
La capacité d’AlphaFold à modéliser des systèmes aussi complexes suggère que les modèles d’IA peuvent aider la communauté des biotechnologies médicales à mieux comprendre ces types de mécanismes et à accélérer leur application dans le processus thérapeutique.
Selon DeepMind de Google, le dernier modèle AlphaFold peut aider à faire des percées biomédicales et à construire la prochaine ère de la « biologie numérique », en fournissant des prédictions détaillées et importantes pour la génomique, les matériaux biorenouvelables, l’immunité des plantes, les cibles thérapeutiques potentielles, la conception de médicaments, etc.