Investigadores mejoran AlphaFold2 con puntuaciones de importancia de residuos derivadas de modelos de lenguaje
Hecho Qué ha ocurrido
Investigadores de Peking University y colaboradores desarrollaron i-Fold, una arquitectura que integra puntuaciones de importancia de residuos derivadas de modelos de lenguaje de proteínas como pesos posicionales dinámicos durante el entrenamiento de AlphaFold2. En un benchmark de 3599 estructuras, i-Fold reduce el error de predicción en 0,3 Å en promedio y mejora la tasa de éxito en un 7,6%, con resultados consistentes en un conjunto independiente de 167 estructuras recientes. El método muestra mejoras particulares en proteínas ribosómicas, de membrana y huérfanas, casos típicamente difíciles para AlphaFold2.
Resumen generado mediante IA a partir de Nature · Machine learning (original en inglés). Naturaleza de la información: hecho documentado.
Análisis Por qué importa
Aunque es un avance técnico de nicho científico, mejora la precisión de una herramienta ampliamente usada en biología estructural sin aumentar significativamente el coste computacional, lo que puede acelerar el descubrimiento de fármacos y la investigación biomédica.
- Quién se ve afectado
- Investigadores en bioinformática, empresas biotecnológicas y farmacéuticas que usan predicción de estructuras proteicas.
- Qué puede cambiar
- Los flujos de trabajo de predicción estructural podrían adoptar esta técnica de ponderación por importancia de residuos para mejorar resultados en proteínas complejas sin coste computacional adicional relevante.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Habrá que ver si el código de i-Fold se libera públicamente y si otros grupos lo replican o integran en pipelines existentes como AlphaFold3 u otras herramientas comerciales.
Fuente original: Nature · Machine learning (fuente primaria). La referencia es siempre el artículo original.
Ver fuente original ↗IA científicamodelos de lenguaje de proteínasAlphaFold2 AlphaFold2biología estructuralChinainvestigación científicaproteínas
Relacionadas
DeepMind lanza AlphaGenome Atlas con predicciones para 9.000 millones de variantes genéticas
Google DeepMind presentó AlphaGenome Atlas, una plataforma con predicciones precomputadas del efecto molecular de 9.000 millones de posibles variantes de una…
Por qué importaEs un ejemplo de cómo la IA puede acelerar drásticamente la investigación biomédica al hacer computacionalmente accesible algo antes inviable…
DeepMind lanza el Atlas AlphaGenome con predicciones de 9.000 millones de variantes de ADN
Google DeepMind anunció el 8 de septiembre el AlphaGenome Atlas, un repositorio público con predicciones precalculadas para las 9.000 millones de posibles…
Por qué importaReduce drásticamente la barrera técnica y computacional para investigar el efecto de variantes genéticas en la regulación génica, acelerando…
Google DeepMind lanza AlphaGenome Atlas, mapa gratuito del genoma humano con IA
Google DeepMind ha presentado AlphaGenome Atlas, una plataforma web gratuita que cataloga predicciones de impacto de mutaciones en todo el genoma humano…
Por qué importaFacilita a investigadores y empresas biotecnológicas priorizar qué mutaciones estudiar entre miles de millones de posibilidades, acelerando…
Google DeepMind lanza AlphaGenome Atlas, mapa predictivo de variantes del genoma humano
Google DeepMind presentó AlphaGenome Atlas, una herramienta de IA que ofrece un mapa predictivo de cada posible cambio de letra de ADN en el genoma humano, que…
Por qué importaHerramientas como esta pueden acelerar drásticamente la investigación biomédica al predecir efectos de variantes genéticas sin necesidad de…