Revolucionando el Diseño de Proteínas Cómo esta investigación de IA aumentó las tasas de éxito diez veces con mejoras en el Aprendizaje Profundo
Revolucionando el Diseño de Proteínas con IA mejoras en Aprendizaje Profundo aumentan las tasas de éxito diez veces
Las proteínas son estructuras poliméricas que controlan casi todas las enfermedades. El principal problema es encontrar qué proteína puede unir su estructura a la estructura polimérica de la proteína respectiva. La carga principal es descubrir estas moléculas que pueden combinar de un gran conjunto de moléculas. Esto implica el uso de modelos de Aprendizaje Automático y Aprendizaje Profundo en este dominio. El equipo de científicos de investigación utilizó técnicas de aprendizaje profundo para predecir las moléculas con un aumento de 10 veces en tamaño en comparación con las moléculas obtenidas anteriormente. Los científicos de investigación todavía están trabajando en la calidad de la fuerza de enlace hidrofóbico a través de modelos de aprendizaje profundo.
Los algoritmos de Aprendizaje Profundo utilizan los datos en bruto para extraer características e información de alta calidad, como se mencionó anteriormente. Se utilizaron métodos iterativos a través de técnicas de Aprendizaje Profundo para estudiar las transformaciones en la secuencia de proteínas. Se descubrió que las estructuras que se predijeron o generaron tenían una precisión casi cercana a 1. Estos métodos iterativos se utilizaron para converger en los modelos que se predijeron con precisión. El equipo de investigación desarrolló 2 herramientas de software para el diseño de proteínas. También se descubrió que todos los diseños de proteínas eran independientes entre sí debido a la información independiente en forma de vectores. El problema se divide en millones de diseños que se ejecutan simultáneamente en una unidad de cómputo masiva.
Un equipo de investigadores de la Universidad de Washington, Seattle, el Instituto Médico Howard Hughes y el Instituto de Diseño de Proteínas dividió las moléculas de proteínas obtenidas en una serie de pequeñas entidades. Luego asigna cada fragmento a los nodos de cálculo de frontera utilizando las facilidades de Linux. Estas entidades más pequeñas de proteínas se dividen aún más en entidades más pequeñas. Estas se pasan al software de diseño computacional. Luego se pasan al software de proteínas para aumentar la eficiencia computacional. Esto aumenta la eficiencia aproximadamente 200 veces en comparación con los registros anteriores.
- Descifrando el comportamiento colectivo Cómo la inferencia bayesiana activa impulsa los movimientos naturales de los grupos de animales
- Conoce Jupyter AI Desatando el poder de la inteligencia artificial en los cuadernos de Jupyter
- Tres desafíos en la implementación de modelos generativos en producción
Este resultado muestra un aumento de 10 veces en la tasa de estudio para la unión en su proteína objetivo. Los investigadores han puesto un gran esfuerzo, pero aún queda un largo camino por recorrer en este camino. Los planes futuros en esta investigación son proporcionar a las moléculas de proteínas mejores objetivos y aumentar la tasa de éxito o precisión de las moléculas de proteínas. Este proyecto también tiene como objetivo crear las herramientas de lucha contra el cáncer del mañana.
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Construyendo PCA desde cero
- Cómo construir un pipeline de detección de cambios de datos completamente automatizado
- Fundamentos de Estadística para Científicos de Datos y Analistas
- Detectando Fraude en el Comercio Electrónico con Técnicas Avanzadas de Ciencia de Datos
- Inteligencia Artificial (IA) y Web3 ¿Cómo están conectados?
- Ami Hever, Co-Fundador y CEO de UVeye – Serie de Entrevistas
- Construyendo un Mapa Topográfico de Nepal Utilizando Python