Google DeepMind оголосила про випуск AlphaProteo, системи штучного інтелекту, яка допоможе дослідникам біології та охорони здоров’я розробити нові високоміцні білки, які зв’язуються з цільовими молекулами з точністю та міцністю.
AlphaProteo пройшов навчання з використанням Protein Data Bank (PDB), який забезпечує інновації в науці та освіті, надаючи доступ та інструменти для дослідження, візуалізації та аналізу експериментально визначених 3D-структур з архіву PDB.
Враховуючи структуру цільової молекули та набір улюблених сайтів зв’язування на цій молекулі, AlphaProteo генерує білок-кандидат, який зв’язується з мішенню.
Технологічний гігант заявив, що зв’язувальні речовини можуть відкрити нові сфери досліджень у розробці ліків і діагностичних біосенсорів.
«AlphaProteo може генерувати нові білкові зв’язувачі для різних цільових білків, включаючи VEGF-A, який пов’язаний з ускладненнями раку та діабету. Це перший раз, коли інструмент штучного інтелекту спромігся створити успішний білковий зв’язувач для VEGF-A». повідомили в блозі групи Protein Design і Wet Lab Google DeepMind.
«AlphaProteo також досягає вищих експериментальних показників успішності та в три-триста разів кращої афінності зв’язування, ніж найкращі існуючі методи для семи цільових білків, які ми протестували».
Щоб протестувати AlphaProteo, розробники штучного інтелекту розробили ліганди для різних цільових білків, включаючи «два вірусних білки, що беруть участь в інфекції, домен зв’язування рецепторів білка BHRF1 і SARS-CoV-2, SC2RBD і п’ять білків, що беруть участь у розвитку раку, запалення та аутоімунних захворювань, IL-7Rɑ , PD-L1, TrkA, IL-17A та VEGF-A».
Рівень успіху зв’язування для однієї вірусної мішені, BHRF1, становив у середньому 88%, що в десять разів вище, ніж традиційні методи.
Команда Google DeepMind Web Lab співпрацювала із зовнішніми дослідницькими групами, включаючи дослідників з Інституту Френсіса Кріка, де дані підтвердили, що зв’язуючі речовини AlphaProteo перешкоджали SARS-CoV-2 інфікувати клітини людини.
AlphaProteo показав, що він може скоротити час, необхідний для початкових експериментів із застосуванням білкових зв’язувачів для різних цілей.
Однак, незважаючи на прориви, дослідники відзначили, що система AI має обмеження.
Наприклад, AlphaProteo не виробляв успішних лігандів для TNFa, білка, пов’язаного з аутоімунними захворюваннями, такими як ревматоїдний артрит.
«Ми вибрали TNFɑ, щоб серйозно кинути виклик AlphaProteo, оскільки обчислювальний аналіз показав, що ліганди буде надзвичайно складно розробити. Ми продовжуватимемо вдосконалювати та розширювати можливості AlphaProteo з метою врешті-решт вирішити такі складні цілі», — пишуть автори.
Дослідницька група AlphaProteo планує співпрацювати з науковою спільнотою, щоб спостерігати за впливом AlphaProteo на інші біологічні проблеми, щоб краще зрозуміти його обмеження.
Крім того, команда вивчає використання дизайну ліків у Isomorphic Labs.
НАЙБІЛЬША ТЕНДЕНЦІЯ
У червні Google Research і Google DeepMind опублікував статтю, в якій оголошує про створення нового LLM у відкритті ліків і терапевтичних розробках під назвою Tx-LLM, точно адаптованого з Med-PaLM 2.
Технологічний гігант Med-PaLM 2 — це генетична технологія штучного інтелекту, яка використовує LLM від Google для відповідей на медичні запитання.
у травні, Дослідження, проведене Google Research у співпраці з Google DeepMind, показало, що технологічний гігант розширив можливості своїх моделей ШІ для Med-Gemini-2D, Med-Gemini-3D і Med-Gemini Polygenic.
Google заявив, що покращив можливості Med-Gemini, використовуючи дані гістопатології, дерматології, 2D і 3D радіології, геноміки та офтальмології.
У 2023 році Google запустив MedLM, дві основні моделі, побудовані на основі Med-PaLM 2, призначені для відповідей на медичні запитання, створення інформації з неструктурованих даних і узагальнення медичної інформації.
Компанія заявила, що пілотуючи LLM з організаціями охорони здоров’я, вона дізналася, що найефективніші моделі ШІ розроблені для конкретних випадків використання.
У результаті велика модель MedLM створена для вирішення складних завдань, тоді як інша модель є середньою, яку можна вдосконалювати та масштабувати для різних завдань.
Форум HIMSS Healthcare Cybersecurity Forum планується провести з 31 жовтня по 1 листопада у Вашингтоні, округ Колумбія. Дізнайтеся більше та зареєструйтеся.
&w=120&resize=120,86&ssl=1)
Google DeepMind оголосила про випуск AlphaProteo, системи штучного інтелекту, яка допоможе дослідникам біології та охорони здоров’я розробити нові високоміцні білки, які зв’язуються з цільовими молекулами з точністю та міцністю.
AlphaProteo пройшов навчання з використанням Protein Data Bank (PDB), який забезпечує інновації в науці та освіті, надаючи доступ та інструменти для дослідження, візуалізації та аналізу експериментально визначених 3D-структур з архіву PDB.
Враховуючи структуру цільової молекули та набір улюблених сайтів зв’язування на цій молекулі, AlphaProteo генерує білок-кандидат, який зв’язується з мішенню.
Технологічний гігант заявив, що зв’язувальні речовини можуть відкрити нові сфери досліджень у розробці ліків і діагностичних біосенсорів.
«AlphaProteo може генерувати нові білкові зв’язувачі для різних цільових білків, включаючи VEGF-A, який пов’язаний з ускладненнями раку та діабету. Це перший раз, коли інструмент штучного інтелекту спромігся створити успішний білковий зв’язувач для VEGF-A». повідомили в блозі групи Protein Design і Wet Lab Google DeepMind.
«AlphaProteo також досягає вищих експериментальних показників успішності та в три-триста разів кращої афінності зв’язування, ніж найкращі існуючі методи для семи цільових білків, які ми протестували».
Щоб протестувати AlphaProteo, розробники штучного інтелекту розробили ліганди для різних цільових білків, включаючи «два вірусних білки, що беруть участь в інфекції, домен зв’язування рецепторів білка BHRF1 і SARS-CoV-2, SC2RBD і п’ять білків, що беруть участь у розвитку раку, запалення та аутоімунних захворювань, IL-7Rɑ , PD-L1, TrkA, IL-17A та VEGF-A».
Рівень успіху зв’язування для однієї вірусної мішені, BHRF1, становив у середньому 88%, що в десять разів вище, ніж традиційні методи.
Команда Google DeepMind Web Lab співпрацювала із зовнішніми дослідницькими групами, включаючи дослідників з Інституту Френсіса Кріка, де дані підтвердили, що зв’язуючі речовини AlphaProteo перешкоджали SARS-CoV-2 інфікувати клітини людини.
AlphaProteo показав, що він може скоротити час, необхідний для початкових експериментів із застосуванням білкових зв’язувачів для різних цілей.
Однак, незважаючи на прориви, дослідники відзначили, що система AI має обмеження.
Наприклад, AlphaProteo не виробляв успішних лігандів для TNFa, білка, пов’язаного з аутоімунними захворюваннями, такими як ревматоїдний артрит.
«Ми вибрали TNFɑ, щоб серйозно кинути виклик AlphaProteo, оскільки обчислювальний аналіз показав, що ліганди буде надзвичайно складно розробити. Ми продовжуватимемо вдосконалювати та розширювати можливості AlphaProteo з метою врешті-решт вирішити такі складні цілі», — пишуть автори.
Дослідницька група AlphaProteo планує співпрацювати з науковою спільнотою, щоб спостерігати за впливом AlphaProteo на інші біологічні проблеми, щоб краще зрозуміти його обмеження.
Крім того, команда вивчає використання дизайну ліків у Isomorphic Labs.
НАЙБІЛЬША ТЕНДЕНЦІЯ
У червні Google Research і Google DeepMind опублікував статтю, в якій оголошує про створення нового LLM у відкритті ліків і терапевтичних розробках під назвою Tx-LLM, точно адаптованого з Med-PaLM 2.
Технологічний гігант Med-PaLM 2 — це генетична технологія штучного інтелекту, яка використовує LLM від Google для відповідей на медичні запитання.
у травні, Дослідження, проведене Google Research у співпраці з Google DeepMind, показало, що технологічний гігант розширив можливості своїх моделей ШІ для Med-Gemini-2D, Med-Gemini-3D і Med-Gemini Polygenic.
Google заявив, що покращив можливості Med-Gemini, використовуючи дані гістопатології, дерматології, 2D і 3D радіології, геноміки та офтальмології.
У 2023 році Google запустив MedLM, дві основні моделі, побудовані на основі Med-PaLM 2, призначені для відповідей на медичні запитання, створення інформації з неструктурованих даних і узагальнення медичної інформації.
Компанія заявила, що пілотуючи LLM з організаціями охорони здоров’я, вона дізналася, що найефективніші моделі ШІ розроблені для конкретних випадків використання.
У результаті велика модель MedLM створена для вирішення складних завдань, тоді як інша модель є середньою, яку можна вдосконалювати та масштабувати для різних завдань.
Форум HIMSS Healthcare Cybersecurity Forum планується провести з 31 жовтня по 1 листопада у Вашингтоні, округ Колумбія. Дізнайтеся більше та зареєструйтеся.
&w=120&resize=120,86&ssl=1)
&w=120&resize=120,86&ssl=1)
