Pada tanggal 1 November, DeepMind, sebuah lembaga penelitian AI di bawah Google, merilis di situs resminya kemajuan teknologi terbaru dari model prediksi struktur protein AlphaFold: telah secara signifikan meningkatkan akurasi prediksi dan memperluas cakupan dari protein ke biomolekul lain, termasuk ligan (molekul kecil).
AlphaFold diketahui mampu memprediksi hampir semua molekul dalam database protein (PDB), termasuk ligan, protein, asam nukleat (DNA dan RNA), dan molekul yang mengandung modifikasi pasca-translasi (PTM), ke tingkat laboratorium presisi atom, yang penting untuk penelitian farmasi.
Database Struktur Protein Alphafold:
Perkembangan terbaru:
Di luar Pelipatan Protein
Sejak pertama kali merilis AlphaFold pada tahun 2020, Google telah merevolusi cara protein dan interaksinya dipahami, berhasil memprediksi struktur protein tiga dimensi, dan membantu mencapai terobosan teknologi utama di bidang ilmu biologi.
AlphaFold adalah terobosan mendasar dalam prediksi protein untai tunggal. AlphaFold-Multimer kemudian diperluas ke kompleks yang mengandung beberapa rantai protein, diikuti oleh AlphaFold 2.3 untuk meningkatkan kinerja dan memperluas cakupan kompleks yang lebih besar.
Pada tahun 2022, prediksi struktural AlphaFold, yang mencakup hampir semua protein katalog yang dikenal sains, telah tersedia secara bebas di Database Struktur Protein AlphaFold melalui kolaborasi dengan European Bioinformatics Institute (EMBL-EBI).
Hingga saat ini, 1,4 juta pengguna di lebih dari 190 negara telah mengakses database struktur protein AlphaFold, dan para ilmuwan di seluruh dunia telah menggunakan prediksi AlphaFold untuk membantu memajukan penelitian mulai dari mempercepat pengembangan vaksin malaria baru dan memajukan penemuan obat kanker **, hingga mengembangkan enzim pendegradasi plastik untuk mengatasi polusi.
Model AlphaFold terbaru tidak terbatas pada pelipatan protein, tetapi juga menghasilkan prediksi struktural yang sangat akurat untuk ligan, protein, asam nukleat, dan modifikasi pasca-translasi.
Mempercepat Pengembangan Obat
Analisis data menunjukkan bahwa model AlphaFold terbaru secara signifikan lebih baik daripada AlphaFold 2.3 dalam beberapa masalah prediksi struktur protein yang terkait dengan penemuan obat, seperti pengikatan antibodi. Selain itu, prediksi akurat protein, struktur ligan merupakan alat penting untuk penemuan obat, yang dapat membantu para ilmuwan mengidentifikasi dan merancang molekul baru yang dapat menjadi obat.
Standar saat ini dalam industri farmasi adalah menggunakan "metode docking" untuk menentukan interaksi antara ligan dan protein. Metode docking ini memerlukan struktur protein referensi yang kaku dan situs pengikatan ligan yang disarankan.
Model AlphaFold terbaru menetapkan standar baru untuk prediksi struktur protein-ligan melalui metode docking yang dilaporkan lebih baik dari yang terbaik, tanpa perlu merujuk struktur protein atau lokasi kantong ligan, memungkinkan prediksi protein yang sama sekali baru yang belum pernah dikarakterisasi secara struktural sebelumnya.
Posisi semua atom juga dapat dimodelkan bersama, memungkinkannya untuk mewakili fleksibilitas inheren lengkap protein dan asam nukleat dalam berinteraksi dengan molekul lain, yang tidak mungkin dilakukan dengan metode docking.
Sebagai contoh, berikut adalah tiga kasus terkait pengobatan yang baru-baru ini diterbitkan di mana struktur yang diprediksi oleh model AlphaFold terbaru (ditampilkan dalam warna) sangat cocok dengan struktur yang ditentukan secara eksperimental (ditampilkan dalam warna abu-abu):
Prediksi untuk PORCN (1), KRAS (2), dan PI5P4Kγ (3).
PORCN: Molekul anti-kanker tahap klinis yang mengikat targetnya serta protein lain.
KRAS: Kompleks terner yang terbentuk dengan ligan kovalen (lem molekuler) dari target kanker yang penting.
PI5P4Kγ: Inhibitor alosterik selektif lipid kinase dengan beberapa efek penyakit termasuk kanker dan penyakit kekebalan tubuh.
Pemahaman Baru tentang Biologi
Dengan membuka pemodelan struktur protein dan ligan, serta asam nukleat dan struktur yang mengandung modifikasi pasca-translasi, model AlphaFold terbaru menyediakan alat yang lebih cepat dan lebih akurat untuk memeriksa biologi yang mendasarinya.
Misalnya, ini melibatkan struktur CasLambda yang mengikat crRNA dan DNA, yang merupakan bagian dari keluarga CRISPR.
CasLambda berbagi kekuatan pengeditan gen dengan sistem CRISPR-Cas9, yang dikenal luas sebagai "gunting gen," yang dapat digunakan peneliti untuk mengubah DNA hewan, tumbuhan, dan mikroba. Ukuran CasLambda yang lebih kecil dapat membuatnya lebih efisien untuk digunakan dalam pengeditan gen.
Struktur prediksi CasLambda (Cas12l) terikat pada crRNA dan DNA (bagian dari subsistem CRISPR).
Kemampuan AlphaFold untuk memodelkan sistem kompleks seperti itu menunjukkan bahwa model AI dapat membantu komunitas biotek medis lebih memahami jenis mekanisme ini dan mempercepat penerapannya dalam proses terapeutik.
Menurut DeepMind Google, model AlphaFold terbaru dapat membantu terobosan biomedis dan membangun era "biologi digital" berikutnya, memberikan prediksi terperinci dan penting untuk genomik, bahan terbarukan hayati, kekebalan tanaman, target terapi potensial, desain obat, dan banyak lagi.
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
Model AlphaFold Google telah mengantarkan terobosan besar! Biomolekul, ligan dapat diprediksi
Sumber asli: AIGC Open Community
Pada tanggal 1 November, DeepMind, sebuah lembaga penelitian AI di bawah Google, merilis di situs resminya kemajuan teknologi terbaru dari model prediksi struktur protein AlphaFold: telah secara signifikan meningkatkan akurasi prediksi dan memperluas cakupan dari protein ke biomolekul lain, termasuk ligan (molekul kecil).
AlphaFold diketahui mampu memprediksi hampir semua molekul dalam database protein (PDB), termasuk ligan, protein, asam nukleat (DNA dan RNA), dan molekul yang mengandung modifikasi pasca-translasi (PTM), ke tingkat laboratorium presisi atom, yang penting untuk penelitian farmasi.
Database Struktur Protein Alphafold:
Perkembangan terbaru:
Di luar Pelipatan Protein
Sejak pertama kali merilis AlphaFold pada tahun 2020, Google telah merevolusi cara protein dan interaksinya dipahami, berhasil memprediksi struktur protein tiga dimensi, dan membantu mencapai terobosan teknologi utama di bidang ilmu biologi.
AlphaFold adalah terobosan mendasar dalam prediksi protein untai tunggal. AlphaFold-Multimer kemudian diperluas ke kompleks yang mengandung beberapa rantai protein, diikuti oleh AlphaFold 2.3 untuk meningkatkan kinerja dan memperluas cakupan kompleks yang lebih besar.
Pada tahun 2022, prediksi struktural AlphaFold, yang mencakup hampir semua protein katalog yang dikenal sains, telah tersedia secara bebas di Database Struktur Protein AlphaFold melalui kolaborasi dengan European Bioinformatics Institute (EMBL-EBI).
Model AlphaFold terbaru tidak terbatas pada pelipatan protein, tetapi juga menghasilkan prediksi struktural yang sangat akurat untuk ligan, protein, asam nukleat, dan modifikasi pasca-translasi.
Mempercepat Pengembangan Obat
Analisis data menunjukkan bahwa model AlphaFold terbaru secara signifikan lebih baik daripada AlphaFold 2.3 dalam beberapa masalah prediksi struktur protein yang terkait dengan penemuan obat, seperti pengikatan antibodi. Selain itu, prediksi akurat protein, struktur ligan merupakan alat penting untuk penemuan obat, yang dapat membantu para ilmuwan mengidentifikasi dan merancang molekul baru yang dapat menjadi obat.
Standar saat ini dalam industri farmasi adalah menggunakan "metode docking" untuk menentukan interaksi antara ligan dan protein. Metode docking ini memerlukan struktur protein referensi yang kaku dan situs pengikatan ligan yang disarankan.
Model AlphaFold terbaru menetapkan standar baru untuk prediksi struktur protein-ligan melalui metode docking yang dilaporkan lebih baik dari yang terbaik, tanpa perlu merujuk struktur protein atau lokasi kantong ligan, memungkinkan prediksi protein yang sama sekali baru yang belum pernah dikarakterisasi secara struktural sebelumnya.
Posisi semua atom juga dapat dimodelkan bersama, memungkinkannya untuk mewakili fleksibilitas inheren lengkap protein dan asam nukleat dalam berinteraksi dengan molekul lain, yang tidak mungkin dilakukan dengan metode docking.
Sebagai contoh, berikut adalah tiga kasus terkait pengobatan yang baru-baru ini diterbitkan di mana struktur yang diprediksi oleh model AlphaFold terbaru (ditampilkan dalam warna) sangat cocok dengan struktur yang ditentukan secara eksperimental (ditampilkan dalam warna abu-abu):
PORCN: Molekul anti-kanker tahap klinis yang mengikat targetnya serta protein lain.
KRAS: Kompleks terner yang terbentuk dengan ligan kovalen (lem molekuler) dari target kanker yang penting.
PI5P4Kγ: Inhibitor alosterik selektif lipid kinase dengan beberapa efek penyakit termasuk kanker dan penyakit kekebalan tubuh.
Pemahaman Baru tentang Biologi
Dengan membuka pemodelan struktur protein dan ligan, serta asam nukleat dan struktur yang mengandung modifikasi pasca-translasi, model AlphaFold terbaru menyediakan alat yang lebih cepat dan lebih akurat untuk memeriksa biologi yang mendasarinya.
Misalnya, ini melibatkan struktur CasLambda yang mengikat crRNA dan DNA, yang merupakan bagian dari keluarga CRISPR.
CasLambda berbagi kekuatan pengeditan gen dengan sistem CRISPR-Cas9, yang dikenal luas sebagai "gunting gen," yang dapat digunakan peneliti untuk mengubah DNA hewan, tumbuhan, dan mikroba. Ukuran CasLambda yang lebih kecil dapat membuatnya lebih efisien untuk digunakan dalam pengeditan gen.
Kemampuan AlphaFold untuk memodelkan sistem kompleks seperti itu menunjukkan bahwa model AI dapat membantu komunitas biotek medis lebih memahami jenis mekanisme ini dan mempercepat penerapannya dalam proses terapeutik.
Menurut DeepMind Google, model AlphaFold terbaru dapat membantu terobosan biomedis dan membangun era "biologi digital" berikutnya, memberikan prediksi terperinci dan penting untuk genomik, bahan terbarukan hayati, kekebalan tanaman, target terapi potensial, desain obat, dan banyak lagi.