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: declaración de parte interesada.