Kan AI forudsige proteinfoldningsstrukturer ud fra aminosyresekvenser ?

Fremskridt inden for AI har gjort det muligt at forudsige proteinstrukturer med stor præcision, et problem der har forundret forskere i årtier. Systemer som AlphaFold udnytter dyb læring til at modellere komplekse biologiske interaktioner. Dette gennembrud har revolutioneret strukturel biologi og lægemiddelforskningsprocesser.

At forudsige proteinfoldningsstrukturer ud fra aminosyresekvenser er en kompleks opgave inden for biologien, der har oplevet betydelige fremskridt med hjælp fra kunstig intelligens. Traditionelle metoder har i høj grad været afhængige af eksperimentelle tilgange såsom røntgenkrystallografi og kernemagnetisk resonansspektroskopi, som er tidskrævende og kostbare. Med fremkomsten af maskinlæringsalgoritmer, især dybdelæringsmodeller, er det imidlertid blevet muligt at forudsige proteinstrukturer med stor nøjagtighed. Et bemærkelsesværdigt eksempel er AlphaFold-modellen udviklet af DeepMind, som anvender en ny tilgang til at forudsige proteiners 3D-struktur ud fra deres aminosyresekvenser. Denne model har opnået banebrydende resultater i konkurrencer om proteinstrukturforudsigelse og demonstrerer dermed AI's potentiale inden for dette felt. Evnen til at forudsige proteinfoldningsstrukturer med stor præcision har betydelige konsekvenser for områder som lægemiddelforskning og sygdomsforskning. Ved at forudsige, hvordan proteiner folder, kan forskere bedre forstå deres funktion og deres interaktion med andre molekyler, hvilket kan føre til udviklingen af nye behandlinger for forskellige sygdomme. Generelt er brugen af AI til at forudsige proteinfoldningsstrukturer et hurtigt udviklende forskningsområde, der lover godt for fremskridt inden for vores forståelse af biologi og forbedring af menneskers sundhed.

+- administreret 13. maj 2026 · Kilde: Nature — Science