Les structures d’une protéine prédites par l’intelligence artificielle (bleu) et déterminées expérimentalement (vert) correspondent presque parfaitement

L’intelligence artificielle (HE) a résolu l’un des grands défis de la biologie: prédire comment les protéines se recroquevillent d’une chaîne linéaire d’acides aminés en formes 3D qui leur permettent d’accomplir les tâches de la vie Aujourd’hui, les principaux biologistes structuraux et les organisateurs d’un concours biennal de repliement des protéines ont annoncé la réalisation des chercheurs de DeepMind, un UKentreprise d’IA basée Ils disent que la méthode DeepMind aura des effets de grande portée, parmi lesquels accélérer considérablement la création de nouveaux médicaments

Ce que l’équipe DeepMind a réussi à réaliser est fantastique et changera l’avenir de la biologie structurale et de la recherche sur les protéines”, déclare Janet Thornton, directrice émérite de l’Institut européen de bioinformatique «C’est un problème vieux de 50 years», ajoute John Moult, biologiste structurel à l’Université du Maryland, Shady Grove, et co-fondateur du concours Critical Assessment of Protein Structure Prediction (CASP) «Je n’ai jamais pensé voir ça de ma vie

Le corps humain utilise des dizaines de milliers de protéines différentes, chacune étant une chaîne de dizaines à plusieurs centaines d’acides aminés L’ordre de ces acides aminés dicte la façon dont la myriade de poussées et de traction entre eux donne naissance aux formes 3D complexes des protéines, who, à leur tour, déterminent leur fonctionnement. Connaître ces formes aide les chercheurs à concevoir des médicaments qui peuvent se loger dans les poches et les crevasses des protéines Et être capable de synthétiser des protéines avec une structure souhaitée pourrait accélérer le développement d’enzymes qui fabriquent des biocarburants et dégradent les déchets plastiques

Pendant des décennies, les chercheurs ont déchiffré les structures 3D des protéines en utilisant des techniques expérimentales telles que la cristallographie aux rayons X ou la cryo-microscopie électronique (cryo-EM) Mais ces méthodes peuvent prendre des mois ou des années et ne fonctionnent pas toujours Les structures n’ont été résolues que pour environ 170 000 des plus de 200 millions de protéines découvertes dans les formes de vie

In the years 1960, les chercheurs ont réalisé que s’ils pouvaient déterminer toutes les interactions individuelles dans la séquence d’une protéine, ils pouvaient prédire sa forme 3D Avec des centaines d’acides aminés par protéine et de nombreuses façons dont chaque paire d’acides aminés peut interagir, however, le nombre de structures possibles par séquence était astronomique. Les scientifiques en informatique ont sauté sur le problème, mais les progrès étaient lents

In 1994, Moult et ses collègues ont lancé CASP, qui a lieu tous les 2 ans Les participants obtiennent des séquences d’acides aminés pour environ 100 protéines dont les structures ne sont pas connues Certains groupes calculent une structure pour chaque séquence, tandis que d’autres la déterminent expérimentalement Les organisateurs comparent ensuite les prédictions informatiques avec les résultats du laboratoire et attribuent aux prédictions un score de test de distance global (GDT) Les scores supérieurs à 90 sur l’échelle de zéro à 100 sont considérés comme équivalents aux méthodes expérimentales, dit Moult

Même en 1994, les structures prévues pour de petites protéines simples pourraient correspondre aux résultats expérimentaux Mais pour les protéines plus grosses et difficiles, les scores GDT des calculs étaient d’environ 20, «une catastrophe complète», déclare Andrei Lupas, juge CASP et biologiste évolutionniste à l’Institut Max Planck pour la biologie du développement. In 2016, les groupes concurrents avaient atteint des scores d’environ 40 pour les protéines les plus dures, principalement en tirant des informations sur des structures connues de protéines étroitement liées aux cibles du CASP.

Lors de la compétition biennale d’évaluation critique de la prédiction de la structure des protéines (CASP), des groupes se disputent pour prédire la structure 3D des protéines Cette année, AlphaFold a battu tous les autres groupes et a fait correspondre les résultats expérimentaux sur une mesure de précision

Lors de la première compétition de DeepMind en 2018, son algorithme, appelé AlphaFold, reposait sur cette stratégie comparative Mais AlphaFold a également incorporé une approche informatique appelée apprentissage en profondeur, dans laquelle le logiciel est formé sur de vastes trésors de données – in that case, les séquences et les structures de protéines connueset apprend à repérer des modèles. DeepMind a gagné facilement, battant la concurrence de 15% en moyenne sur chaque structure et remportant des scores GDT allant jusqu’à environ 60 pour les cibles les plus difficiles.

Mais les prédictions étaient encore trop grossières pour être utiles, déclare John Jumper, qui dirige le développement d’AlphaFold chez DeepMind «Nous savions à quel point nous étions loin de la pertinence biologique«Pour faire mieux, Jumper et ses collègues ont combiné l’apprentissage en profondeur avec un« algorithme de tension »qui imite la façon dont une personne pourrait assembler un puzzle: d’abord relier les pièces en petits groupesdans ce cas des grappes d’acides aminéspuis chercher des moyens rejoindre les touffes dans un tout plus grand Travaillant sur un réseau informatique modeste de 128 processeurs, ils ont formé l’algorithme sur les quelque 170000 structures protéiques connues.

Et ça a marché Pour toutes les protéines cibles dans le CASP de cette année, AlphaFold a obtenu un score GDT médian de 924 Pour les protéines les plus difficiles, AlphaFold a obtenu une médiane de 87, 25 points au-dessus des meilleures prévisions suivantes Il a même excellé dans la résolution de structures de protéines coincées dans les membranes cellulaires, qui sont au cœur de nombreuses maladies humaines mais notoirement difficiles à résoudre avec la cristallographie aux rayons X Venki Ramakrishnan, biologiste structurel au Laboratoire de biologie moléculaire du Conseil de recherches médicales, qualifie le résultat «d’une avancée étonnante sur le problème du repliement des protéines

Tous les groupes de la compétition de cette année se sont améliorés, dit Moult Mais avec AlphaFold, Lupas dit: «The game has changed”Les organisateurs craignaient même que DeepMind ait pu tricher d’une manière ou d’une autre Alors Lupas s’est lancé un défi particulier: une protéine membranaire d’une espèce d’archées, un ancien groupe de microbes Pendant 10 years, son équipe de recherche a essayé toutes les astuces du livre pour obtenir une structure cristalline aux rayons X de la protéineNous n’avons pas pu le résoudre

Mais AlphaFold n’a eu aucun problème Il a renvoyé une image détaillée d’une protéine en trois parties avec deux longs bras hélicoïdaux au milieu Le modèle a permis à Lupas et à ses collègues de comprendre leurs données radiographiques; en une demi-heure, ils avaient ajusté leurs résultats expérimentaux à la structure prévue d’AlphaFold «C’est presque parfait», dit Lupas «Ils n’auraient pas pu tricher sur ce point Je ne sais pas comment ils le font

Pour entrer dans CASP, DeepMind – comme tous les groupesa accepté de révéler suffisamment de détails sur sa méthode pour que les autres groupes puissent le recréer Ce sera une aubaine pour les expérimentateurs, qui pourront utiliser des prédictions de structure précises pour donner un sens aux données opaques de rayons X et de cryo-EM Cela pourrait également permettre aux concepteurs de médicaments de déterminer rapidement la structure de chaque protéine dans de nouveaux agents pathogènes dangereux comme le SRAS-CoV-2, une étape clé dans la recherche de molécules pour les bloquer, dit Moult.

However, AlphaFold ne fait pas encore tout bien Dans le concours, il a sensiblement faibli sur une protéine, un amalgame de 52 petits segments répétitifs, qui déforment les positions des uns et des autres lors de leur assemblage Jumper dit que l’équipe veut maintenant former AlphaFold à résoudre de telles structures, ainsi que celles de complexes de protéines qui travaillent ensemble pour exécuter des fonctions clés dans la cellule

Même si un grand défi est tombé, d’autres émergeront sans aucun douteCe n’est pas la fin de quelque chose”, dit ThorntonC’est le début de nombreuses nouveautés

Bob est journaliste pour la science à Portland, Oregon, couvrant des histoires de chimie, de science des matériaux et d’énergie

© 2020 Association américaine pour l’avancement de la science Tous les droits sont réservés AAAS est partenaire de HINARI, NOW, REALLY, CHORUS, CLOCKSS, CrossRef et COUNTER

DeepMind, artificial intelligence, protein, biology, protein folding

News – United States – «The game has changed«AI triumphs in the resolution of protein structures
Associated title :
– The London AI Lab affirme une percée qui pourrait s’accélérer Drug Discovery
& # 39; The game has changed& # 39; AI triumphs in the resolution of protein structures
Développement d’une solution d’IA pour le défi protéique vieux de 50 years / a>
Après presque 50 years, une percée en biologie & # 39; Grand Challenge& # 39;
DeepMind résout le 50-year-old & # 39; big challenge& # 39; avec l’IA de repliement des protéines
Dans une avancée scientifique majeure, l’IA prédit la forme exacte des protéines
DeepMind AI fait une percée scientifique révolutionnaire
Alphabet& # 39; s DeepMind franchit une nouvelle étape historique dans la prédiction de la structure des protéines basée sur l’IA
L’IA de repliement des protéines de DeepMind& a résolu un grand défi de biologie vieux de 50 years
L’IA améliorée de prédiction du repliement des protéines de DeepMind& pourrait accélérer le traitement des médicaments scovery

Source: https://www.sciencemag.org/news/2020/11/game-has-changed-ai-triumphs-solving-protein-structures

Building on its expertise in the areas of digital, technologies and processes , CSS Engineering you in your most ambitious transformation projects and helps you bring out new ideas, new offers, new modes of collaboration, new ways of producing and selling.

CSS Engineering is involved in projects each customer as if it were his own. We believe a consulting company should be more than an advisor. We put ourselves in the place of our customers, to align we incentives to their goals, and collaborate to unlock the full potential their business. This establishes deep relationships and enjoyable.

Our services:

  1. Create professional websites
  2. Hosting high performance and unlimited
  3. Sale and video surveillance cameras installation
  4. Sale and Installation of security system and alarm
  5. E-Marketing

All our achievements here https://www.css-engineering.com/en/works/