Anar al contingut

AlphaFold

De L'Enciclopèdia, la wikipedia en valencià
AlphaFold

AlphaFold és un programa d'inteligència artificial (IA) desenrollat per DeepMind d'Alphabet que realisa prediccions de l'estructura de les proteïnes[1] per mig del sistema d'aprenentage profunt.[2]La primera versió de AlphaFold, coneguda com AlphaFold 1, va obtindre el primer lloc en la classificació general de la 13.ª edició de la competició CASP (Critical Assessment of Techniques for Protein Structure Prediction, 'evaluació crítica de tècniques per a la predicció de l'estructura de proteïnes') en decembre de 2018. El programa es va destacar particularment en les prediccions d'estructures per a les que no existien models previs,[n. 1] considerades pels organisadors de la competició com les més difícils.

AlphaFold 2, versió desenrollada en 2020, va tornar a guanyar la competició CASP en novembre de 2020,[3] en prediccions molt més exactes que les de qualsevol atre programa.[2] En al voltant de dos terços de les proteïnes, AlphaFold 2 va obtindre una puntuació superior a 90 en la prova de distància global (GDT), que compara les prediccions dels programes en les estructures determinades experimentalment; una puntuació de 100 denota una coincidència completa.[2][4]

Els resultats de AlphaFold 2 en CASP han segut calificats com a «sorprenents»[5] i «transformadors».[6] Encara que l'exactitut de les prediccions no és lo suficientment alta en un terç dels casos i el programa no revela cap informació sobre el mecanisme del plegament de les proteïnes,[7][8] el guany tècnic ha rebut un reconeiximent generalisat.


El 15 de juliol de 2021, Nature va publicar un artícul sobre AlphaFold2 junt en software de còdic obert i una base de senyes de busca de proteomas de vàries espècies.[9][10][11][12]

El problema del plegament de les proteïnes

[editar | editar còdic]
tres cadenes de polipèptits en diferents etapes de plegament i un agrupament de cadenes
Les cadenes d'aminoàcits, conegudes com polipèptits, es pleguen per a formar una proteïna.

Les proteïnas estan formades per cadenes d'aminoàcits que es doblen i acoplen entre sí espontàneament, en un procés cridat plegament de proteïnes, per a formar una estructura tridimensional (3-D) relacionada en la funció biològica de la proteïna. Un dels desafius de la biologia molecular, conegut com el «problema del plegament de les proteïnes» consistix en entendre cóm la seqüència d'aminoàcits determina l'estructura tridimensional.[13] Per a solucionar este problema, és necessari comprendre la termodinàmica de les forces interatómicas que resulten en una estructura estable i el mecanisme pel que les proteïnes alcancen la seua configuració final en extrema rapidea.[14]

Les estructures de les proteïnes es determinen habitualment de forma experimental per mig de métodos com la cristalografia de rajos X, la microscopía crioelectrónica i la resonància magnètica nuclear, tècniques que són costoses i poden requerir molt temps.[13] Durant els últims xixanta anys s'han identificat les estructures d'unes 170 000 proteïnes, una mera fracció de les proteïnes existents en totes les formes de vida que es calculen en més de doscents millons.[4] El poder predir l'estructura de les proteïnes sense més informació que la seqüència d'aminoàcits seria de gran ajuda per a alvançar en l'investigació científica. No obstant, la paradoxa de Levinthal mostra que, si be una proteïna es pot plegar en milisegons, el temps que du calcular totes les estructures possibles a l'encert per a determinar l'estructura és més llarc que l'edat de l'univers conegut.[13]


A lo llarc dels anys, els investigadors han aplicat numerosos métodos computacionals al problema de la predicció de l'estructura de les proteïnes, pero la precisió dels models generats jamai s'havia acostat a la de les estructures determinades per tècniques experimentals, llevat para proteïnes chicotetes i simples. Fins a l'entrada en escena de AlphaFold en la seua tècnica d'inteligència artificial (IA) basada en l'aprenentage profunt,[13] els millors algoritmes usats en CASP, solament produïen estructures comparables a les determinades experimentalment en un 40 % dels casos més difícils.[4]

Algoritme

[editar | editar còdic]

DeepMind ha entrenat el programa AlphaFold en més de 170 000 proteïnes dels depòsits públics de seqüències i estructures de proteïnes. El programa utilisa una forma de ret d'atenció, una tècnica d'aprenentage profunt que identifica parts d'un problema major i després les junta per a obtindre la solució general.[2] L'entrenament de l'algoritme va amprar entre cent i doscentes unitats de processament gràfic (GPU),[2] i va prendre «algunes semanes». El programa necessita uns dies per a predir una estructura.[15]

AlphaFold 1 (2018)

[editar | editar còdic]

AlphaFold 1 es va basar en el treball de varis equips, que durant la década de 2010 varen examinar les seqüències de ADN de proteïnes relacionades en organismes diferents —la majoria sense una estructura tridimensional coneguda— per a tractar de trobar canvis correlacionados en la llista d'aminoàcits, és dir, casos en que mutacions en dos o més llocs coincidixquen en proteïnes homòlogues de distintes espècies. Els investigadors varen deduir que tals correlació poden deure's a que els aminoàcits mutados formen contactes en la proteïna, encara que no ocupen llocs contigus en la seqüència de ADN, lo que permet elaborar un mapa de possibles contactes en l'estructura. AlphaFold 1 es va basar en esta idea per a calcular una distribució de provabilitat de les distàncies entre els aminoàcits i convertir el mapa de contactes en un mapa de distàncies provables i predir l'estructura per mig de l'optimisació d'un potencial estadístic basat en esta distribució de provabilitat.[16]

AlphaFold 2 (2020)

[editar | editar còdic]

L'equip de DeepMind va descobrir que el seu método anterior tenia la tendència de sobrevalorar les interaccions entre els aminoàcits propencs en la seqüència en comparació als més alluntats. Com a resultat, AlphaFold 1 predia models en els que l'estructura secundària (hèlices alfa i fulls beta) predominava excessivament.[17] AlphaFold 1 constava de varis mòduls, cada u entrenat per separat, utilisats per a produir un potencial guia que després es combinava en el potencial energètic basat en càlculs de física. AlphaFold 2 va reemplaçar açò en un sistema de subredes acoplades en un únic model basat completament en el reconeiximent de patrons, entrenat com una única estructura integrada.[18][19] El refinament de l'energia s'aplica solament com un pas del refinament final una volta que la predicció de la ret neuronal ha convergit, i solament ajusta llaugerament l'estructura predita.[17]

Una part clau del sistema de 2020 consistix en dos mòduls, provablement basats en un model de transformador, que s'utilisen per a refinar progressivament un vector d'informació per a cada relació —o «vora» en la terminologia de la teoria de grafos— 1) entre dos aminoàcits de la proteïna i 2) entre cada posició d'aminoàcit i cada seqüència en l'alineament de seqüències.[19] Internament, este procés de refinament té l'efecte de reunir senyes rellevants i filtrar senyes irrellevants (el «mecanisme d'atenció») per a estes relacions, d'una manera dictada per les senyes d'entrenament. Estes transformacions es repetixen de manera que l'informació actualisada al final d'una iteración es convertix en les senyes d'entrada de la següent; en cada pas, l'informació de la relació aminoàcit-aminoàcit millorada servix per a actualisar l'informació de la relació residu-seqüència, i viceversa.[19] A mida que alvança la iteración, segons un informe, el «algoritme d'atenció ... imita la forma en que una persona podria armar un rompecabezas: primer conectant peces en menuts grups, en est case grups d'aminoàcits, i després buscant formes d'unir els grups en un tot més gran».[4]

El resultat d'estes iteraciones proveïx l'informació per a la predicció final del mòdul de predicció de l'estructura,[19] que també usa transformadors.[n. 2] En un eixemple presentat per DeepMind, el mòdul de predicció de l'estructura va conseguir una topología correcta per a la proteïna en la seua primera iteración, que va rebre una puntuació de 78 en la prova de distància global (GDT), pero en un 90 % de violacions estereoquímicas, és dir, ànguls o llongituts d'enllaç no permesos. En les iteraciones posteriors, el número de violacions estereoquímicas va disminuir. En la tercera iteración, el GDT de la predicció era casi 90, i en l'octava iteración el número de violacions estereoquímicas s'acostava a zero.[19]

L'equip de AlphaFold va declarar en novembre de 2020 que seria possible introduir canvis per a millorar la precisió.[20]


Referències

[editar | editar còdic]
  1. ↑ «AlphaFold» (en en). Deepmind. Consultat el 30 de novembre de 2020.
  2. ↑ 2,0 2,1 2,2 2,3 2,4 «DeepMind's protein-folding AI has solved a 50-year-old grand challenge of biology» (en en). MIT Technology Review. Consultat el 2020-11-30.
  3. ↑ «[1]». Consultat el 2020-11-30 (en en).
  4. ↑ 4,0 4,1 4,2 4,3 Science.
  5. ↑ «[2]», twitter (en en).
  6. ↑ Nature.588(7837)
    203–204.doi:10.1038/d41586-020-03348-4.
  7. ↑ Stephen Curry, No, DeepMind has not solved protein folding, Reciprocal Space (blog), 2 de decembre de 2020
  8. ↑ Balls. «Behind the screens of AlphaFold» (en en). Chemistry World.
  9. ↑ Nature.596(7873)
    583–589.doi:10.1038/s41586-021-03819-2.
  10. ↑ «GitHub - deepmind/alphafold: Open source code for AlphaFold.» (en en). GitHub. Consultat el 2021-07-24.
  11. ↑ «AlphaFold Protein Structure Database». alphafold.ebi.ac.uk. Consultat el 2021-07-24.
  12. ↑ Bourne P.E.(2022).PLoS Biology.20(12)
    i3001901.doi:10.1371/journal.pbio.3001901.Consultat el 2023-01-30.
  13. ↑ 13,0 13,1 13,2 13,3 «AlphaFold: Using AI for scientific discovery» (en en). Deepmind. Consultat el 2020-11-30.
  14. ↑ Annual Review of Biophysics.37
    289–316.doi:10.1146/annurev.biophys.37.092707.153558.
  15. ↑ «AlphaFold: a solution to a 50-year-old grand challenge in biology» (en en). Deepmind. Consultat el 2020-11-30.
  16. ↑ «AlphaFold: Machine learning for protein structure prediction» (en en). Foldit.
  17. ↑ 17,0 17,1 John Jumper et al., conference abstract (December 2020)
  18. ↑ Fortune.
  19. ↑ 19,0 19,1 19,2 19,3 19,4 19,5 Jumper, John et al.
  20. ↑ «[3]», The Economist. Consultat el 2020-11-30 (en en).


Erro en la cita: Existixen etiquetes <ref> per a un grup nomenat "n.", pero no es trobà una etiqueta <references group="n."/>

Obtingut de «https://www.lenciclopedia.org/w/index.php?title=AlphaFold&oldid=746203»