"Alphafold 3: révolutionner la structure moléculaire et la prédiction d'interaction"
Depuis son lancement en 2020, plus de 2 millions de chercheurs se sont tournés vers Alphafold 2 de Google Deepmind pour prédire les structures des protéines, aidant à des percées comme le développement des vaccins et les traitements contre le cancer. Ce modèle a relevé un défi qui a perplexe des scientifiques depuis plus d'un demi-siècle. Mais l'équipe de Google Deepmind ne s'est pas arrêtée là; Au lieu de se reposer sur leurs lauriers, ils ont retroussé leurs manches et ont commencé à travailler sur Alphafold 3.
Lancé en mai par Google Deepmind et Isomorphic Labs, Alphafold 3 prend les choses d'un cran. Il ne prédit pas seulement le repliement des protéines; Il prévoit également la structure et les interactions de toutes sortes de molécules de la vie, y compris l'ADN, l'ARN et les ligands - ces minuscules molécules qui s'attachent aux protéines.
"Avec Alphafold 2, nous avons fait d'énormes progrès pour résoudre le puzzle de repliement des protéines, mais la communauté scientifique est passée à des choses plus complexes", explique Jonas Adler, chercheur chez Google Deepmind. "Les chercheurs plongent maintenant dans des détails comme la façon dont les petites molécules se lient ou le fonctionnement de l'ARN, les zones où Alphafold 2 n'a pas réussi. Pour suivre les dernières personnes en biologie et chimie, nous avions besoin d'un outil qui pourrait gérer toutes sortes de biomolécules."
"Tout" comprend ici des ligands, qui sont cruciaux car ils constituent environ la moitié de tous les médicaments. "Dans les laboratoires isomorphes, nous voyons l'énorme potentiel d'Alphafold 3 pour la conception de médicaments rationnellement, et nous le mettons déjà à utiliser tous les jours", explique Adrian Stecula, chef de recherche chez Isomorphic Labs. "Nous explorons comment les nouvelles petites molécules se lient à de nouvelles cibles médicamenteuses, déterminant comment les protéines interagissent avec l'ADN et l'ARN, et étudiant comment les ajustements chimiques affectent les structures des protéines - le nouveau modèle ouvre toutes ces possibilités."
L'intégration de ces types de molécules supplémentaires signifiait traitant d'une tonne de combinaisons. "Les protéines sont assez simples; il n'y a que 20 acides aminés standard", note Jonas. "Mais de petites molécules? Ils sont partout, avec des possibilités infinies. Ils sont super diversifiés."
Réalisant qu'une base de données complète était hors de question, l'équipe a lancé Alphafold Server. Cet outil gratuit permet aux scientifiques de saisir leurs propres séquences, et Alphafold génère les complexes moléculaires pour eux. Depuis qu'il est passé en mai, il a été utilisé pour créer plus d'un million de structures. "C'est comme Google Maps mais pour les complexes moléculaires", explique Lindsay Willmore, ingénieur de recherche chez Google Deepmind. "Même si vous n'êtes pas un codeur, vous pouvez simplement copier et coller vos séquences de protéines, d'ADN, d'ARN ou de petites molécules, appuyez sur un bouton et attendez quelques minutes. Vous obtiendrez votre structure avec des mesures de confiance pour vous aider à évaluer la prédiction."
Pour faire fonctionner Alphafold 3 avec un si large gamme de biomolécules, l'équipe a élargi les données de formation pour inclure l'ADN, l'ARN, les petites molécules, etc. "Nous avons pensé:" Pourquoi ne pas nous entraîner sur tout dans notre ensemble de données qui nous a aidés avec des protéines et voir jusqu'où nous pouvons aller? "", Explique Lindsay. "Il s'avère que nous sommes allés assez loin."
Un changement clé dans Alphafold 3 était dans la dernière partie du modèle qui crée la structure. Alors qu'Alphafold 2 a utilisé un module basé sur la géométrie personnalisée complexe, Alphafold 3 est passé à un modèle génératif plus simple basé sur la diffusion, similaire à d'autres modèles de génération d'images avancés comme Imagen. Ce changement a rationalisé la façon dont le modèle traite des nouveaux types de molécules.
Cependant, ce changement a apporté un nouveau défi: le modèle de diffusion créerait à tort une structure "ordonnée" pour les régions protéiques qui sont en fait "désordonnées" - considérez comme essayant d'organiser un tas de spaghettis chaotiques dans une spirale soignée.
Ainsi, l'équipe s'est tournée vers Alphafold 2, qui excelle à prédire ces interactions désordonnées. "Nous avons utilisé ces prédictions d'Alphafold 2 pour former Alphafold 3, en lui apprenant à reconnaître et à prédire le trouble", explique Lindsay.
"Nous avons un dicton:" Faites confiance aux Fusilli, rejettez les spaghettis "" "ajoute Jonas avec un petit rire.
Un exemple de prédiction d'Alphafold 3, montrant les régions «Fusilli» ordonnées dans les régions bleues et désordonnées des «spaghettis» en orange. Les couleurs indiquent la confiance du modèle dans la précision de la prédiction. L'équipe est ravie de voir comment Alphafold 3 sera utilisé dans des domaines comme la génomique et la conception de médicaments. "C'est incroyable de voir jusqu'où nous sommes venus", dit Jonas. "Ce qui était autrefois difficile est maintenant facile, et ce qui était impossible est maintenant à portée de main. Il y a encore des noix difficiles à casser, mais nous sommes ravis de ce que Alphafold 3 peut nous aider à réaliser."
Article connexe
अरबपति इस सप्ताह के AI अपडेट में नौकरियों को स्वचालित करने की चर्चा करते हैं
हाय सब लोग, TechCrunch के AI न्यूज़लेटर में वापस स्वागत है! यदि आपने अभी तक सब्सक्राइब नहीं किया है, तो आप इसे हर बुधवार को सीधे अपने इनबॉक्स में प्राप्त करने के लिए यहाँ साइन अप कर सकते हैं।हमने पिछल
NotebookLM ऐप लॉन्च: AI-संचालित ज्ञान उपकरण
नोटबुकएलएम मोबाइल पर आ गया है: अब आपका AI-संचालित रिसर्च असिस्टेंट Android और iOS पर उपलब्ध हम नोटबुकएलएम को लेकर मिले जबरदस्त प्रतिसाद से हैरान हैं—लाखों उपयोगकर्ताओं ने इसे जटिल
गूगल के AI भविष्य फंड को धीरे-धीरे चलने पड़ सकता है
गूगल का नया AI निवेश इनिशिएटिव: नियंत्रण के अध्ययन के बीच स्ट्रैटेजिक शिफ्ट गूगल के हाल के AI फ्यूचर्स फंड के बारे में घोषणा ने इंटरनेट के जादूगर कंपनी की लगातार प्रयासों को देखा
commentaires (15)
0/200
![GeorgeMartinez]()
GeorgeMartinez
10 avril 2025 00:00:00 UTC
AlphaFold 3 is mind-blowing! It's incredible how it's helping with vaccine development and cancer treatments. I'm not a scientist, but even I can see the potential here. The only thing is, it's a bit complex for non-experts. Still, a huge leap forward!
0
![RoySmith]()
RoySmith
10 avril 2025 00:00:00 UTC
AlphaFold 3は驚くべきツールです！ワクチン開発やがん治療に役立っているなんて信じられません。私は科学者ではありませんが、その可能性が見て取れます。ただ、専門家以外には少し複雑かもしれません。それでも、大きな進歩ですね！
0
![WilliamCarter]()
WilliamCarter
10 avril 2025 00:00:00 UTC
AlphaFold 3은 정말 놀랍습니다! 백신 개발과 암 치료에 도움이 된다는 것이 믿기지 않아요. 저는 과학자가 아니지만, 그 가능성을 느낄 수 있어요. 다만, 전문가가 아닌 사람에게는 조금 복잡할 수 있어요. 그래도 큰 도약입니다!
0
![JustinWilliams]()
JustinWilliams
10 avril 2025 00:00:00 UTC
AlphaFold 3 é impressionante! É incrível como está ajudando no desenvolvimento de vacinas e tratamentos contra o câncer. Não sou cientista, mas até eu posso ver o potencial aqui. A única coisa é que é um pouco complexo para não especialistas. Ainda assim, um grande avanço!
0
![WalterThomas]()
WalterThomas
10 avril 2025 00:00:00 UTC
¡AlphaFold 3 es alucinante! Es increíble cómo está ayudando en el desarrollo de vacunas y tratamientos contra el cáncer. No soy científico, pero incluso yo puedo ver el potencial aquí. Lo único es que es un poco complejo para los no expertos. Aún así, un gran avance!
0
![WillLopez]()
WillLopez
11 avril 2025 00:00:00 UTC
AlphaFold 3 is a lifesaver for us in the lab! It's mind-blowing how it predicts molecular structures so accurately. Helped us speed up our research big time. Only wish it was a bit faster, but hey, can't complain too much about a tool that's changing the game!
0
Depuis son lancement en 2020, plus de 2 millions de chercheurs se sont tournés vers Alphafold 2 de Google Deepmind pour prédire les structures des protéines, aidant à des percées comme le développement des vaccins et les traitements contre le cancer. Ce modèle a relevé un défi qui a perplexe des scientifiques depuis plus d'un demi-siècle. Mais l'équipe de Google Deepmind ne s'est pas arrêtée là; Au lieu de se reposer sur leurs lauriers, ils ont retroussé leurs manches et ont commencé à travailler sur Alphafold 3.
Lancé en mai par Google Deepmind et Isomorphic Labs, Alphafold 3 prend les choses d'un cran. Il ne prédit pas seulement le repliement des protéines; Il prévoit également la structure et les interactions de toutes sortes de molécules de la vie, y compris l'ADN, l'ARN et les ligands - ces minuscules molécules qui s'attachent aux protéines.
"Avec Alphafold 2, nous avons fait d'énormes progrès pour résoudre le puzzle de repliement des protéines, mais la communauté scientifique est passée à des choses plus complexes", explique Jonas Adler, chercheur chez Google Deepmind. "Les chercheurs plongent maintenant dans des détails comme la façon dont les petites molécules se lient ou le fonctionnement de l'ARN, les zones où Alphafold 2 n'a pas réussi. Pour suivre les dernières personnes en biologie et chimie, nous avions besoin d'un outil qui pourrait gérer toutes sortes de biomolécules."
"Tout" comprend ici des ligands, qui sont cruciaux car ils constituent environ la moitié de tous les médicaments. "Dans les laboratoires isomorphes, nous voyons l'énorme potentiel d'Alphafold 3 pour la conception de médicaments rationnellement, et nous le mettons déjà à utiliser tous les jours", explique Adrian Stecula, chef de recherche chez Isomorphic Labs. "Nous explorons comment les nouvelles petites molécules se lient à de nouvelles cibles médicamenteuses, déterminant comment les protéines interagissent avec l'ADN et l'ARN, et étudiant comment les ajustements chimiques affectent les structures des protéines - le nouveau modèle ouvre toutes ces possibilités."
L'intégration de ces types de molécules supplémentaires signifiait traitant d'une tonne de combinaisons. "Les protéines sont assez simples; il n'y a que 20 acides aminés standard", note Jonas. "Mais de petites molécules? Ils sont partout, avec des possibilités infinies. Ils sont super diversifiés."
"C'est comme Google Maps mais pour les complexes moléculaires", explique Lindsay Willmore, ingénieur de recherche chez Google Deepmind. "Même si vous n'êtes pas un codeur, vous pouvez simplement copier et coller vos séquences de protéines, d'ADN, d'ARN ou de petites molécules, appuyez sur un bouton et attendez quelques minutes. Vous obtiendrez votre structure avec des mesures de confiance pour vous aider à évaluer la prédiction."
Pour faire fonctionner Alphafold 3 avec un si large gamme de biomolécules, l'équipe a élargi les données de formation pour inclure l'ADN, l'ARN, les petites molécules, etc. "Nous avons pensé:" Pourquoi ne pas nous entraîner sur tout dans notre ensemble de données qui nous a aidés avec des protéines et voir jusqu'où nous pouvons aller? "", Explique Lindsay. "Il s'avère que nous sommes allés assez loin."
Un changement clé dans Alphafold 3 était dans la dernière partie du modèle qui crée la structure. Alors qu'Alphafold 2 a utilisé un module basé sur la géométrie personnalisée complexe, Alphafold 3 est passé à un modèle génératif plus simple basé sur la diffusion, similaire à d'autres modèles de génération d'images avancés comme Imagen. Ce changement a rationalisé la façon dont le modèle traite des nouveaux types de molécules.
Cependant, ce changement a apporté un nouveau défi: le modèle de diffusion créerait à tort une structure "ordonnée" pour les régions protéiques qui sont en fait "désordonnées" - considérez comme essayant d'organiser un tas de spaghettis chaotiques dans une spirale soignée.
Ainsi, l'équipe s'est tournée vers Alphafold 2, qui excelle à prédire ces interactions désordonnées. "Nous avons utilisé ces prédictions d'Alphafold 2 pour former Alphafold 3, en lui apprenant à reconnaître et à prédire le trouble", explique Lindsay.
"Nous avons un dicton:" Faites confiance aux Fusilli, rejettez les spaghettis "" "ajoute Jonas avec un petit rire.
L'équipe est ravie de voir comment Alphafold 3 sera utilisé dans des domaines comme la génomique et la conception de médicaments. "C'est incroyable de voir jusqu'où nous sommes venus", dit Jonas. "Ce qui était autrefois difficile est maintenant facile, et ce qui était impossible est maintenant à portée de main. Il y a encore des noix difficiles à casser, mais nous sommes ravis de ce que Alphafold 3 peut nous aider à réaliser."
अरबपति इस सप्ताह के AI अपडेट में नौकरियों को स्वचालित करने की चर्चा करते हैं
हाय सब लोग, TechCrunch के AI न्यूज़लेटर में वापस स्वागत है! यदि आपने अभी तक सब्सक्राइब नहीं किया है, तो आप इसे हर बुधवार को सीधे अपने इनबॉक्स में प्राप्त करने के लिए यहाँ साइन अप कर सकते हैं।हमने पिछल
NotebookLM ऐप लॉन्च: AI-संचालित ज्ञान उपकरण
नोटबुकएलएम मोबाइल पर आ गया है: अब आपका AI-संचालित रिसर्च असिस्टेंट Android और iOS पर उपलब्ध हम नोटबुकएलएम को लेकर मिले जबरदस्त प्रतिसाद से हैरान हैं—लाखों उपयोगकर्ताओं ने इसे जटिल
गूगल के AI भविष्य फंड को धीरे-धीरे चलने पड़ सकता है
गूगल का नया AI निवेश इनिशिएटिव: नियंत्रण के अध्ययन के बीच स्ट्रैटेजिक शिफ्ट गूगल के हाल के AI फ्यूचर्स फंड के बारे में घोषणा ने इंटरनेट के जादूगर कंपनी की लगातार प्रयासों को देखा
10 avril 2025 00:00:00 UTC
AlphaFold 3 is mind-blowing! It's incredible how it's helping with vaccine development and cancer treatments. I'm not a scientist, but even I can see the potential here. The only thing is, it's a bit complex for non-experts. Still, a huge leap forward!
0
10 avril 2025 00:00:00 UTC
AlphaFold 3は驚くべきツールです！ワクチン開発やがん治療に役立っているなんて信じられません。私は科学者ではありませんが、その可能性が見て取れます。ただ、専門家以外には少し複雑かもしれません。それでも、大きな進歩ですね！
0
10 avril 2025 00:00:00 UTC
AlphaFold 3은 정말 놀랍습니다! 백신 개발과 암 치료에 도움이 된다는 것이 믿기지 않아요. 저는 과학자가 아니지만, 그 가능성을 느낄 수 있어요. 다만, 전문가가 아닌 사람에게는 조금 복잡할 수 있어요. 그래도 큰 도약입니다!
0
10 avril 2025 00:00:00 UTC
AlphaFold 3 é impressionante! É incrível como está ajudando no desenvolvimento de vacinas e tratamentos contra o câncer. Não sou cientista, mas até eu posso ver o potencial aqui. A única coisa é que é um pouco complexo para não especialistas. Ainda assim, um grande avanço!
0
10 avril 2025 00:00:00 UTC
¡AlphaFold 3 es alucinante! Es increíble cómo está ayudando en el desarrollo de vacunas y tratamientos contra el cáncer. No soy científico, pero incluso yo puedo ver el potencial aquí. Lo único es que es un poco complejo para los no expertos. Aún así, un gran avance!
0
11 avril 2025 00:00:00 UTC
AlphaFold 3 is a lifesaver for us in the lab! It's mind-blowing how it predicts molecular structures so accurately. Helped us speed up our research big time. Only wish it was a bit faster, but hey, can't complain too much about a tool that's changing the game!
0
