Las moléculas van a ser la base del Herramienta de inteligencia artificial de Google. Así lo explicaron en la presentación de Pliegue alfa 3, que ha desarrollado la división de inteligencia artificial de la compañía. Este modelo logra un rendimiento significativamente mayor que los métodos conocidos anteriormente, que sólo se especializan en una tarea determinada, e incluyen mayor Precisión en la estructura de las proteínas.ADN, ARN o moléculas más pequeñas y lo hace a gran velocidad.
“Nuestro modelo AlphaFold 3 con una arquitectura basada en difusión sustancialmente actualizada, que es capaz de predecir la estructura conjunta de complejos que incluyen proteínas, ácidos nucleicos, pequeñas moléculas, iones y residuos modificados”, explican en un artículo publicado en la revista Nature. “El nuevo modelo AlphaFold demuestra una precisión significativamente mejorada con respecto a muchas herramientas especializadas anteriores: mucha mayor precisión en el interacciones de proteínas ligando que las herramientas de acoplamiento de última generación, una precisión mucho mayor en las interacciones proteína-ácido nucleico que predictores de ácidos nucleicos específicos y significativamente mayor”, añaden.
Tal y como explican sus autores, el principal resultado de esta IA es que es posible realizar modelos de alta precisión a través del espacio biomolecular dentro de un único marco unificado de aprendizaje profundo. Hay que tener en cuenta que los modelos precisos de complejos biológicos son “fundamentales” para entender las funciones celulares y para el diseño de terapias.
Predecir la reacción del Covid-19
De hecho, en comparación con el Alpha Fold 2, ha habido una “evolución sustancial en la arquitectura y el entrenamiento”, tanto para acomodar estructuras químicas más generales para mejorar los datos de eficiencia del aprendizaje. Además, predice directamente las coordenadas del átomo sin procesar con un módulo de difusión, reemplazando el módulo de estructura AlphaFold 2 que operaba en estructuras de aminoácidos específicos y ángulos de torsión de la cadena lateral. Gracias a todo ello se pudo anticipar y predecir cómo interactúa la proteína de pico del coronavirus -Coronavirus OC43- con anticuerpos y azúcares simplesencajando con su estructura.
“AF3 predice complejos proteína-nucleicos y estructuras de ARN con mayor precisión”, afirman.
Sin embargo, este modelo también ha planteado desafíos. Como se detalla en el artículo de Natura, el uso de un difusión generativa implica algunos desafíos técnicos como Los modelos generativos pueden inventar estructuras. que parecen plausibles incluso en regiones no estructuradas. Para contrarrestar esto, han utilizado un nuevo método de destilación cruzada donde enriquecen los datos de entrenamiento con estructuras predichas, de una manera que reduce sustancialmente estos errores.
Si bien puede contener declaraciones, datos o notas de instituciones o profesionales de la salud, la información contenida en Redacción Médica es editada y elaborada por periodistas. Recomendamos al lector que cualquier duda relacionada con la salud consulte con un profesional sanitario.
