您当前的位置：首页 >> 潮流饰家

Meta赶超AlphaFold 60倍，比预测加速更重要的是什么？

2023-05-01 12:16:09

d也就是说形态和核酸匹配演算法，而Meta的ESMFold则基于语言学习建模。

具体来说，前两者可用多核酸对照（MSA）和相近酶的模板来解决弊端形态假设的最佳性能；而ESMFold依靠语言建模的内部表征，可用一个核酸作为匹配就能作使用形态假设。

首尔国立大学量化遗传学家 Martin Steinegger 暗示，AlphaFold 元数据很小一部分酶由大部分有所各不相同的形态都是由，而“宏基因组”元数据包含了很多未知形态。

不过，这些建模能否切实分析方法到制剂研发里面？又能体现多大的作用？各界四起了回应声。

之前，AlphaFold2建模假设2亿个酶形态后，宾夕法尼亚大学大学、庞加莱公司等对该建模来进行了推算，结果都比预期的差了一些。

示意图：AlphaFold2的一些局限

比如在终端对照上，有数难以考虑过氧化物、翻译后修饰的直接影响，以及假设的构象不够繁多等，这些都可能对基于AF2形态的对照结果造成大的直接影响。

对于此次Meta共同开发的ESMFold，芝加哥大学进化遗传学家 Sergey Ovchinnikov相信，有些结果可能不够明确参考，或是非字符DNA被误相信是酶字符材料。

他暗示：“看起来仍有一半以上酶是我们毫无疑问的。”

对制剂发现而言，目前仍不宜夸大这些“Fold”的直接影响。它克服的是制剂发现里面量化方面的弊端，而这部分也难以已是“克服”，可有提供者了一个工具。

不过可以确定的是：AI建模会持续迭代，多关切假设结果的精度，激发竞争将有望降低酶形态假设的成本和可玩性。

期望，AI 假设酶还会愈来愈卷吗？大家怎么看？

参考链接：

—The End—

。