DeepMind révèle la structure de 200 millions de protéines dans un bond en avant scientifique | esprit profond

L’intelligence artificielle a résolu la structure de presque toutes les protéines connues de la science, ouvrant la voie au développement de nouveaux médicaments ou technologies pour relever des défis mondiaux tels que la famine ou la pollution.

Les protéines sont les éléments constitutifs de la vie. Il est constitué de chaînes d’acides aminés, pliées en formes complexes, dont la structure tridimensionnelle détermine en grande partie sa fonction. Une fois que vous savez comment une protéine se replie, vous pouvez commencer à comprendre comment elle fonctionne et comment modifier son comportement. Bien que l’ADN fournisse les instructions pour fabriquer une chaîne d’acides aminés, prédire comment ils interagiront pour former une forme tridimensionnelle a été plus difficile, et jusqu’à récemment, les scientifiques n’avaient déchiffré qu’une fraction des quelque 200 m de protéines connues pour la science.

En novembre 2020, le Groupe Intelligence Artificielle esprit profond Il a annoncé qu’il avait développé un programme appelé AlphaFold qui pourrait prédire rapidement ces informations à l’aide d’un algorithme. Depuis lors, il écrase les codes génétiques de chaque organisme dont le génome a été séquencé, prédisant les structures des centaines de millions de protéines qu’ils contiennent collectivement.

L’année dernière, DeepMind a publié les structures protéiques de vingt espèces – dont Environ 20 000 protéines sont exprimées par l’homme – Ouvert Base de données. Maintenant, il a fait le travail, libérant les structures prédites de plus de 200 millions de protéines.

« Essentiellement, vous pouvez le considérer comme couvrant l’ensemble du monde des protéines », a déclaré Demis Hassabis, fondateur et PDG de DeepMind et DeepMind.

Les scientifiques utilisent déjà certaines de ses prédictions précédentes pour aider à développer de nouveaux médicaments. En mai, des chercheurs dirigés par le professeur Matthew Higgins de l’Université d’Oxford annoncer Ils ont utilisé des modèles AlphaFold pour aider à déterminer la structure d’une protéine clé du parasite du paludisme et déterminer où les anticorps qui pourraient empêcher la transmission du parasite sont susceptibles de se lier.

READ  Mise à jour du COVID de l'Illinois aujourd'hui: l'IL signale 2 838 nouveaux cas de coronavirus, 102 décès; Variante sud-africaine confirmée par l'IDPH

« Auparavant, nous utilisions une technique appelée cristallographie des protéines pour voir à quoi ressemble cette molécule, mais parce qu’elle est si dynamique et mouvante, nous ne pouvions pas la gérer », a déclaré Higgins. « Lorsque nous avons pris les modèles AlphaFold et les avons combinés avec ces preuves expérimentales, tout a soudainement pris un sens. Cette idée sera désormais utilisée pour concevoir des vaccins améliorés qui induisent des anticorps plus efficaces pour prévenir la transmission. »

Abonnez-vous à la première édition, notre newsletter quotidienne gratuite – tous les matins en semaine à 7h GMT

Les modèles AlphaFold sont également utilisés par les scientifiques du Centre d’innovation enzymatique de l’Université de Portsmouth, pour identifier les enzymes du monde naturel qui peuvent être modifiées pour digérer et recycler le plastique. Le professeur John McGeehan, qui dirige les travaux, a déclaré. « Il y a un changement de paradigme complet. Nous pouvons vraiment accélérer là où nous allons à partir d’ici – et cela nous aide à diriger ces précieuses ressources vers les choses qui comptent. »

Professeur Dame Janet Thornton, chef de groupe et scientifique en chef chez European Molecular Biologie L’Institut européen de bioinformatique de laboratoire a déclaré: « Les prédictions de la structure des protéines AlphaFold sont déjà utilisées d’innombrables façons. Je m’attends à ce que cette dernière mise à jour conduise à un torrent de nouvelles découvertes passionnantes dans les mois et les années à venir, tout cela grâce au fait que les données sont accessible à tous. »

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.