amerikali
Yeni Üye
Düsseldorf Heinrich Heine Üniversitesi’nden (HHU) uluslararası bir biyoenformatik ekibi, yapay zeka için bir tür vücut ve mide görevi buldu: Bu, henüz mevcut olmayan herhangi bir enzimin belirli başlangıç maddelerini işleyip işleyemeyeceğini ve arzu edilip edilemeyeceğini belirlemekle ilgili. teslim edilen sonuçlar. Yeni geliştirilen AI destekli ESP (Enzyme Substrate Prediction) modeli, bu tahmini kabul edilebilir bir doğrulukla yapıyor.
Bitki ve hayvan hücrelerinde, özellikle insan vücudunda, enzimler biyokatalizör, yani minik molekül fabrikaları görevi görürler. Temel yapı taşlarından (“substratlar”) birbirleriyle birleşerek, ilgili organizma için önemli olan tüm molekülleri muazzam çeşitlilikte sağlarlar. Örneğin ilaç endüstrisi ve diğer birçok sektör uzun süredir yapay enzimler üretiyor. Aktif maddeler elde etmek, atık maddeleri işlemek veya temizleme işlemlerini başlatmak için kullanılırlar.
Tüm bunları kim denemeli?
İstenen reaksiyonları tetiklemeye uygun enzimler arıyorsanız, çok büyük bir sorunla karşı karşıyasınız: Organizmaların DNA’sında, enzimleri kodlayan genler oldukça kolay bir şekilde tanımlanabilir. Ancak bu şekilde üretilen bir enzimin tam olarak ne yaptığı tüm vakaların yüzde 99’undan fazlasında bilinmiyor. Belirli bir enzimin hangi başlangıç moleküllerini gerçekten muazzam bir çaba gerektiren şeye dönüştürdüğünü deneysel olarak bulmak için deneme yanılma yöntemini kullanmak.
Bir enzimin herhangi bir deney yapmadan neler yapabileceğini yüksek bir olasılıkla tahmin etmek için bir bilgisayar modeli kullanmak muazzam bir ilerlemedir. Sabit kodlu algoritmik analiz sistemlerinin aksine yapay zeka, böyle bir görevi çözmek için idealdir: AI destekli bir sistem, enzimlerin yapısı ve işlevi arasındaki ilişkileri öğrenir ve daha sonra öğrenilenleri eğitimde yer almayan enzimlere uygulayabilir. . Bu şekilde, HHU’daki Hesaplamalı Hücre Biyolojisi grubundan Prof. Dr. Martin Lercher çevresindeki ekip, enzim değerlendirmesi için evrensel olarak kullanılabilen bir yöntem bulmayı başardı. Geliştirmeye İsveç ve Hindistan’dan meslektaşlarımız katıldı. Araştırmacılar şimdi sonuçları “Nature Communications” dergisinde sundular.
Lercher, artık bulunan genel modelin önemini şöyle vurguluyor: “Bireysel, özel enzimler ve onların yakın akrabalarıyla sınırlı değil. […], önceki yaklaşımlarda olduğu gibi. Genel modelimiz, herhangi bir enzim ve 1.000’den fazla farklı substratın herhangi bir kombinasyonu ile çalışabilir.”
ESP, çalışmanın ilk yazarı Alexander Kroll tarafından geliştirilen bir derin öğrenme modeline dayanmaktadır. Bu modelde, enzimlerden ve substratlardan gelen veriler sayısal vektörlerde kodlanır. Deneysel olarak bilinen yaklaşık 18.000 enzim-substrat kombinasyonunun vektörleri, derin öğrenme için eğitim materyali görevi gördü. Kroll’a göre ekip daha sonra eğitilen modeli, doğru sonuçların zaten bilindiği bağımsız bir test veri setine uyguladı. ESP’nin bu sonuçlar için isabet oranı yüzde 91 oldu.
Ve pratik besin değeri?
Diğerlerinin yanı sıra ilaç araştırmaları, uygun enzimleri değerlendirmek için böylesine doğru bir sistemle ilgilenir. Ancak biyoteknolojide birçok deneysel çalışmayı da kurtarabilir. Lercher önemini şöyle özetliyor: “Bu şekilde, araştırma ve endüstri, enzimatik olarak yeni ilaçlar, kimyasallar ve hatta biyoyakıtlar üretmek için çok sayıda olası kombinasyon arasından en umut verici kombinasyonları daraltabilir.” Kroll’a göre, tahmin teknolojisi ayrıca hücrelerdeki metabolizmayı simüle etmek için daha iyi modelleri mümkün kılıyor. Bu, bakterilerden insanlara kadar çeşitli organizmaların fizyolojisini anlamak için kullanılabilir.
(psz)
Haberin Sonu
Bitki ve hayvan hücrelerinde, özellikle insan vücudunda, enzimler biyokatalizör, yani minik molekül fabrikaları görevi görürler. Temel yapı taşlarından (“substratlar”) birbirleriyle birleşerek, ilgili organizma için önemli olan tüm molekülleri muazzam çeşitlilikte sağlarlar. Örneğin ilaç endüstrisi ve diğer birçok sektör uzun süredir yapay enzimler üretiyor. Aktif maddeler elde etmek, atık maddeleri işlemek veya temizleme işlemlerini başlatmak için kullanılırlar.
Tüm bunları kim denemeli?
İstenen reaksiyonları tetiklemeye uygun enzimler arıyorsanız, çok büyük bir sorunla karşı karşıyasınız: Organizmaların DNA’sında, enzimleri kodlayan genler oldukça kolay bir şekilde tanımlanabilir. Ancak bu şekilde üretilen bir enzimin tam olarak ne yaptığı tüm vakaların yüzde 99’undan fazlasında bilinmiyor. Belirli bir enzimin hangi başlangıç moleküllerini gerçekten muazzam bir çaba gerektiren şeye dönüştürdüğünü deneysel olarak bulmak için deneme yanılma yöntemini kullanmak.
Bir enzimin herhangi bir deney yapmadan neler yapabileceğini yüksek bir olasılıkla tahmin etmek için bir bilgisayar modeli kullanmak muazzam bir ilerlemedir. Sabit kodlu algoritmik analiz sistemlerinin aksine yapay zeka, böyle bir görevi çözmek için idealdir: AI destekli bir sistem, enzimlerin yapısı ve işlevi arasındaki ilişkileri öğrenir ve daha sonra öğrenilenleri eğitimde yer almayan enzimlere uygulayabilir. . Bu şekilde, HHU’daki Hesaplamalı Hücre Biyolojisi grubundan Prof. Dr. Martin Lercher çevresindeki ekip, enzim değerlendirmesi için evrensel olarak kullanılabilen bir yöntem bulmayı başardı. Geliştirmeye İsveç ve Hindistan’dan meslektaşlarımız katıldı. Araştırmacılar şimdi sonuçları “Nature Communications” dergisinde sundular.
Lercher, artık bulunan genel modelin önemini şöyle vurguluyor: “Bireysel, özel enzimler ve onların yakın akrabalarıyla sınırlı değil. […], önceki yaklaşımlarda olduğu gibi. Genel modelimiz, herhangi bir enzim ve 1.000’den fazla farklı substratın herhangi bir kombinasyonu ile çalışabilir.”
ESP, çalışmanın ilk yazarı Alexander Kroll tarafından geliştirilen bir derin öğrenme modeline dayanmaktadır. Bu modelde, enzimlerden ve substratlardan gelen veriler sayısal vektörlerde kodlanır. Deneysel olarak bilinen yaklaşık 18.000 enzim-substrat kombinasyonunun vektörleri, derin öğrenme için eğitim materyali görevi gördü. Kroll’a göre ekip daha sonra eğitilen modeli, doğru sonuçların zaten bilindiği bağımsız bir test veri setine uyguladı. ESP’nin bu sonuçlar için isabet oranı yüzde 91 oldu.
Ve pratik besin değeri?
Diğerlerinin yanı sıra ilaç araştırmaları, uygun enzimleri değerlendirmek için böylesine doğru bir sistemle ilgilenir. Ancak biyoteknolojide birçok deneysel çalışmayı da kurtarabilir. Lercher önemini şöyle özetliyor: “Bu şekilde, araştırma ve endüstri, enzimatik olarak yeni ilaçlar, kimyasallar ve hatta biyoyakıtlar üretmek için çok sayıda olası kombinasyon arasından en umut verici kombinasyonları daraltabilir.” Kroll’a göre, tahmin teknolojisi ayrıca hücrelerdeki metabolizmayı simüle etmek için daha iyi modelleri mümkün kılıyor. Bu, bakterilerden insanlara kadar çeşitli organizmaların fizyolojisini anlamak için kullanılabilir.
(psz)
Haberin Sonu