A proteína trabalha em nossas células e há muitos milhares de proteínas em nossas células, cada uma fazendo um trabalho especial. Os pesquisadores estão há muito tempo sabendo que a formação de proteínas decide o que pode fazer. Recentemente, os pesquisadores passaram a apreciar que o ambiente da proteína também é importante em seu trabalho. As células estão cheias de peças que ajudam a organizar muitos de seus habitantes. Além de lojas conhecidas que adornam as páginas dos livros de biouragem, essas postagens incluem uma variedade de peças multifoliantes e não drenadas. Conhecendo que a proteína é dada ao visual e quem a compartilha, pode ser útil na melhor compreensão de suas proteínas e células.
Naquela época, a proteína foi aprendida no século X, atingindo o insetor albafold, que pode prever os shestroems da proteína do código de aminoácidos, blocos de blocos dentro deles que suspeitam de sua estrutura. Modelos alfafold e similares seremos amplamente utilizados nas ferramentas de estudo.
A proteína contém aminoácidos não articulares em um edifício limitado, mas é importante para ajudar proteínas, incluindo componentes poderosos sob custódia. O professor Richard Young e seus colegas estão se perguntando se esse código nesses estudos pode ser usado para prever a produção da mesma maneira que outros distritos usados para prever a estrutura. Alguns pesquisadores receberam ordem de proteína que o código de proteína local, enquanto outros começaram a construir modelos de especulação de proteínas. No entanto, os pesquisadores não sabiam se ele estava na proteína em qualquer sala poderosa prevista a partir de sua conformidade e não possui uma ferramenta de comparações com o Alfafold para previsões.
Agora, jovem e membro do Instituto Whitehead de União Biológica; Young Lab PostDoc Henry Kilgore; Rugina Barzilay, Honorável IA e Saúde da Escola Médica Ciência da Escola de Medicina Laboratório de Ciência e Inteligência Artificial (CSAIL); E colegas fazem esse modelo, os protocolos de chamada. No artigo publicado em 6 de fevereiro no capítulo CiênciaAssim como os graduados do Barzilay Lab se formaram em Tamar Chinn, Peter Mikhael e Ilan Mitnikov, o partido de condução cruzada danifica seu modelo. Os investigadores mostram que o prolGPS pode especular que os 12 problemas conhecidos lançarão a área e que a transformação da doença mudará a em vigor. Além disso, a equipe de pesquisa criou um algoritmo crescente que pode formar o véu do romance para fazer certas partes.
“Minha esperança é que este seja o primeiro passo em direção à poderosa plataforma que faz com que a pesquisa de proteínas faça a pesquisa”, como as pessoas as ajudam a criar hipóteses médicas e medicina para tratamento.
Os investigadores também confirmaram muitas previsões modificadas nos testes de teste nas células.
“Fiquei tão feliz por poder viajar do design computacional até experimentar essas coisas no laboratório”, disse Barizay. “Existem muitos trabalhos interessantes na IA, mas 99,9 % dos que nunca foram testados em programas reais. Devido ao nosso trabalho e ao Young Lab, fomos capazes de explorar e aprender o que nosso algoritmo faz”.
Melhorando o modelo
Os investigadores são treinados e explorados prolGPs com dois lotes e a proteína de produção é conhecida. Eles descobriram que isso pode ser bem previsto quando as proteínas mantêm alta precisão. Os pesquisadores também examinam se os POLGPs podem prever as mudanças na flexibilidade da flexibilidade entre a doença nas proteínas. Verificou -se que mais conversão – mudanças no cumprimento do seu gênero e sua proteína correspondente – contribuem ou causam doenças com base nos setores organizacionais, mas os meios onde as mudanças levam às raízes da doença permanecem desconhecidas.
Encontrar um método de transformação transformacional é importante porque os pesquisadores podem construir tratamento para o processo, protegendo ou tratando a doença. Os colegas suspeitam que muitas doenças associadas a doenças podem afetar doenças alterando a distribuição de proteínas. Por exemplo, a transformação da mudança pode fazer com que a proteína se junte à sala que contém parceiros importantes.
Teste o conceito de hipótese de alimentar mais de 200.000 proteínas e pede que ambos prevejam que as proteínas convertidas aumentarão a proteína fornecida. Uma grande quantidade de previsão mostra mudanças que podem ocorrer na área.
Os pesquisadores recebem muitos casos em que a conversão de doenças associadas a doenças é manifestada para alterar a área da proteína. Eles verificaram 20 exemplos nas células, usando a comparação de fluorescência quando a proteína padrão e sua versão convertida terminaram. Experimentos confirmaram previsões prolGPs. Ao todo, os resultados apóiam as alegações de investigações de que o desempenho errado pode ser uma maneira de doenças e indica o preço do ProtGPS como uma ferramenta para entender a doença e tratar novos tratamentos.
“A célula é um programa complexo e complexo e redes complexas de colaboração”, disse Mitnikov. “É interessante pensar que dessa maneira, podemos gemer, ver o resultado e, portanto, o diagnóstico do direito ou melhorar o tratamento com base nisso”.
Os investigadores esperam que outros comecem a usar o ProtGPS da mesma maneira usando as estruturas de aluguel, como o Alphafold, desenvolvendo vários projetos no trabalho de proteínas, unclanct e doença.
Mover previsão de geração Sovel
Os investigadores ficaram satisfeitos com o uso de seu modelo de previsão, mas também queriam o modelo da especulação de proteínas existentes e lhes permitiu projetar novas proteínas. O objetivo era devido ao modelo para tornar a ordem mais completa do aminoácido que, quando construído sob custódia, ele tornará um local desejável. As novas proteínas são feitas para realizar o trabalho – desta vez, o workshop, o que é muito difícil. Para melhorar suas chances de seu sucesso, os pesquisadores forçam seu algoritmo a projetar essas proteínas como as encontradas na natureza. Este é o mais comumente usado no desenvolvimento de medicamentos, por razões razoáveis; A natureza descobriu bilhões de anos para determinar quais são a sequência de proteínas eficazes e não eficazes.
Devido à cooperação com um pequeno laboratório, um grupo de estudos de máquinas conseguiu testar se o gerador de proteínas funcionou. O modelo teve bons resultados. Em uma rodada, produziu 10 proteínas com a intenção de construir um local no nucléolo. Quando os pesquisadores examinam essas proteínas sob custódia, eles descobrem que quatro deles estão localizados firmemente em nucléolo, enquanto outros podem ter poucas pesquisas na área.
“A colaboração entre nossos laboratórios tem sido mais produtiva para todos nós”, disse Michael. “Aprendemos a falar as línguas uns dos outros, para nós mesmos enquanto as células funcionam e, tendo a oportunidade de examinar nosso modelo, fomos capazes de fazê -lo para fazer o trabalho modelo e torná -lo melhor”.
Ser capaz de produzir essa proteína ativa pode melhorar os pesquisadores para melhorar os métodos de tratamento. Por exemplo, se o medicamento deve estar envolvido em um alvo em uma área específica em uma sala específica, os pesquisadores poderão usar esse modelo para projetar um medicamento lá. Isso deve tornar a medicação mais eficaz e diminuir os efeitos colaterais, porque o medicamento usará mais tempo e menos tempo para trabalhar com outras moléculas, obtendo resultados fora do alvo.
Os membros do aprendizado de máquina estão configurados com a perspectiva de usar o que aprendem com essa parceria, está projetando proteínas e outras atividades além da área de tratamento e de outros programas.
“Muitos trabalhos indicam que ele pode projetar as proteínas que podem ser expressas sob custódia, mas não a proteína tem um trabalho específico”, disse Chinn. “Na verdade, desenvolvemos uma construção ativa de proteínas, bem como uma medida de grande sucesso em comparação com outros modelos produtivos. Isso é realmente divertido de nós e algo que gostaríamos de construir”.
Todos os participantes que participam são vistos prolgps como um começo feliz. Eles esperam que sua ferramenta seja usada para aprender mais sobre atividades locais no trabalho de proteínas e o desempenho errado da doença. Além disso, eles estão interessados em aumentar a previsão do modelo local para incluir várias formas de médico e projetar mais práticas médicas ou outros aplicativos.
“Agora que esse código de proteína local existe e que os modelos de aprendizado de máquina podem fazer a idéia do código e criar suas possíveis proteínas e aplicações”, disse Lilgogo.
