Může AI předpovídat struktury proteinů z aminokyselinových sekvencí ?

Pokroky v AI umožnily přesnou predikci proteinových struktur, což byl problém, který vědce pletl po desetiletí. Systémy jako AlphaFold využívají hluboké učení k modelování komplexních biologických interakcí. Tento průlom revolucionalizoval strukturování biologie a procesy objevování léků.

Předpovídání struktur proteinů skládajících se z aminokyselinových sekvencí je komplexním úkolem v oblasti biologie, který zaznamenal významné pokroky díky umělé inteligenci. Tradiční metody se silně spoléhaly na experimentální přístupy, jako je rentgenová krystalografie a nukleární magnetická rezonanční spektroskopie, které jsou časově náročné a nákladné. S příchodem algoritmů strojového učení, zejména modelů hlubokého učení, však bylo možné předpovídat proteinové struktury s vysokou mírou přesnosti. Pozoruhodným příkladem je model AlphaFold vyvinutý společností DeepMind, který využívá nový přístup k předpovídání 3D struktury proteinů z jejich aminokyselinových sekvencí. Tento model dosáhl špičkových výsledků v soutěžích o předpovídání proteinových struktur, což demonstruje potenciál AI v této oblasti. Schopnost přesně předpovídat struktury proteinů má významné důsledky pro oblasti jako je objevování léků a výzkum nemocí. Předpovídáním toho, jak se proteiny skládají, mohou výzkumníci lépe porozumět jejich funkci a interakcím s jinými molekulami, což může vést k vývoji nových léčeb pro různá onemocnění. Celkově je používání AI k předpovídání struktur proteinů rychle se rozvíjející oblastí výzkumu, která slibuje významně přispět k našemu chápání biologie a zlepšení lidského zdraví.

+- podáno 13. května 2026 · Zdroj: Nature — Science