Περίληψη: Οι ερευνητές ανέπτυξαν ένα καινοτόμο εργαλείο τεχνητής νοημοσύνης, το DeepGO-SE, το οποίο υπερέχει στην πρόβλεψη των λειτουργιών άγνωστων πρωτεϊνών, σημειώνοντας μια σημαντική πρόοδο στη βιοπληροφορική. Αξιοποιώντας μεγάλα γλωσσικά μοντέλα και λογική συνεπαγωγή, αυτό το εργαλείο μπορεί να συναγάγει μοριακές λειτουργίες ακόμη και για πρωτεΐνες χωρίς υπάρχουσες αντιστοιχίσεις βάσεων δεδομένων, προσφέροντας μια πρωτοποριακή προσέγγιση για την κατανόηση των κυτταρικών μηχανισμών.
Η ακρίβειά του έχει τοποθετήσει τον DeepGO-SE μεταξύ των κορυφαίων αλγορίθμων σε έναν διεθνή διαγωνισμό πρόβλεψης συναρτήσεων, αποδεικνύοντας τις δυνατότητές του στην ανακάλυψη φαρμάκων, στην ανάλυση μεταβολικής οδού και όχι μόνο. Η ομάδα στοχεύει να εφαρμόσει αυτό το εργαλείο για να εξερευνήσει πρωτεΐνες σε ακραία περιβάλλοντα, ανοίγοντας νέες πόρτες για βιοτεχνολογικές εξελίξεις.
Βασικά στοιχεία:
- Το DeepGO-SE ξεπερνά τις υπάρχουσες μεθόδους στην πρόβλεψη των λειτουργιών των πρωτεϊνών, συμπεριλαμβανομένων εκείνων που προηγουμένως δεν είχαν χαρακτηριστεί.
- Το εργαλείο εφαρμόζει μεγάλα γλωσσικά μοντέλα και λογική συνεπαγωγή για να συμπεράνει τις πρωτεϊνικές λειτουργίες που βασίζονται σε βιολογικές αρχές και αλληλουχίες αμινοξέων.
- Κατατάσσεται στους κορυφαίους 20 πάνω από 1.600 αλγορίθμους, ο DeepGO-SE δείχνει πολλά υποσχόμενος για εφαρμογές στην ανακάλυψη φαρμάκων, τη μηχανική πρωτεϊνών και πολλά άλλα.
Πηγή: ΚΑΟΥΣΤ
Ένα νέο εργαλείο τεχνητής νοημοσύνης (AI) που εξάγει λογικά συμπεράσματα σχετικά με τη λειτουργία άγνωστων πρωτεϊνών υπόσχεται να βοηθήσει τους επιστήμονες να ξεδιαλύνουν την εσωτερική λειτουργία του κυττάρου.
Αναπτύχθηκε από τον ερευνητή βιοπληροφορικής της KAUST, Maxat Kulmanov και τους συνεργάτες του, το εργαλείο ξεπερνά τις υπάρχουσες αναλυτικές μεθόδους για την πρόβλεψη των πρωτεϊνικών λειτουργιών και είναι ακόμη σε θέση να αναλύει πρωτεΐνες χωρίς σαφείς αντιστοιχίσεις στα υπάρχοντα σύνολα δεδομένων.
Το μοντέλο, που ονομάζεται DeepGO-SE, εκμεταλλεύεται μεγάλα μοντέλα γλώσσας παρόμοια με αυτά που χρησιμοποιούνται από εργαλεία παραγωγής τεχνητής νοημοσύνης όπως το Chat-GPT. Στη συνέχεια, χρησιμοποιεί λογική συνεπαγωγή για την εξαγωγή ουσιαστικών συμπερασμάτων σχετικά με τις μοριακές λειτουργίες που βασίζονται σε γενικές βιολογικές αρχές σχετικά με τον τρόπο με τον οποίο λειτουργούν οι πρωτεΐνες.
Ουσιαστικά δίνει τη δυνατότητα στους υπολογιστές να επεξεργάζονται λογικά τα αποτελέσματα κατασκευάζοντας μοντέλα ενός μέρους του κόσμου – σε αυτήν την περίπτωση, της πρωτεϊνικής λειτουργίας – και συνάγοντας το πιο εύλογο σενάριο που βασίζεται στην κοινή λογική και τη λογική για το τι πρέπει να συμβεί σε αυτά τα μοντέλα κόσμου.
«Αυτή η μέθοδος έχει πολλές εφαρμογές», λέει ο Robert Hoehndorf, επικεφαλής της KAUST Bio-Ontology Research Group, που επέβλεψε αυτήν την έρευνα, «ιδιαίτερα όταν είναι απαραίτητο να συλλογιστούμε δεδομένα και υποθέσεις που δημιουργούνται από ένα νευρωνικό δίκτυο ή άλλο μοντέλο μηχανικής μάθησης. ” αυτός προσθέτει.
Οι Kulmanov και Hoehndorf συνεργάστηκαν με τον Stefan Arold του KAUST, καθώς και με ερευνητές στο Ελβετικό Ινστιτούτο Βιοπληροφορικής, για να αξιολογήσουν την ικανότητα του μοντέλου να αποκρυπτογραφεί τις λειτουργίες πρωτεϊνών των οποίων ο ρόλος στο σώμα είναι άγνωστος.
Το εργαλείο χρησιμοποίησε με επιτυχία δεδομένα σχετικά με την αλληλουχία αμινοξέων μιας κακώς κατανοητής πρωτεΐνης και τις γνωστές αλληλεπιδράσεις της με άλλες πρωτεΐνες και προέβλεψε με ακρίβεια τις μοριακές της λειτουργίες. Το μοντέλο ήταν τόσο ακριβές που το DeepGO-SE κατατάχθηκε στο top 20 από περισσότερους από 1.600 αλγόριθμους σε έναν διεθνή διαγωνισμό εργαλείων πρόβλεψης συναρτήσεων.
Η ομάδα KAUST χρησιμοποιεί τώρα το εργαλείο για να διερευνήσει τις λειτουργίες των αινιγματικών πρωτεϊνών που ανακαλύφθηκαν σε φυτά που ευδοκιμούν στο ακραίο περιβάλλον της ερήμου της Σαουδικής Αραβίας. Ελπίζουν ότι τα ευρήματα θα είναι χρήσιμα για τον εντοπισμό νέων πρωτεϊνών για βιοτεχνολογικές εφαρμογές και θα ήθελαν άλλοι ερευνητές να αγκαλιάσουν το εργαλείο.
Όπως εξηγεί ο Kulmanov: «Η ικανότητα του DeepGO-SE να αναλύει αχαρακτήριστες πρωτεΐνες μπορεί να διευκολύνει εργασίες όπως ανακάλυψη φαρμάκων, ανάλυση μεταβολικών οδών, συσχετίσεις ασθενειών, μηχανική πρωτεϊνών, έλεγχος για συγκεκριμένες πρωτεΐνες ενδιαφέροντος και πολλά άλλα».
Σχετικά με αυτές τις ειδήσεις έρευνας τεχνητής νοημοσύνης
Συγγραφέας: Μάικλ Κιούζακ
Πηγή: ΚΑΟΥΣΤ
Επικοινωνία: Michael Cusack – KAUST
Εικόνα: Η εικόνα πιστώνεται στο Neuroscience News
Πρωτότυπη έρευνα: Ανοιχτή πρόσβαση.
“Πρόβλεψη πρωτεϊνικής λειτουργίας ως κατά προσέγγιση σημασιολογική συνεπαγωγή» από τους Robert Hoehndorf et al. Nature Machine Intelligence
Αφηρημένη
Πρόβλεψη πρωτεϊνικής λειτουργίας ως κατά προσέγγιση σημασιολογική συνεπαγωγή
Η Γονιδιακή Οντολογία (GO) είναι μια επίσημη, αξιωματική θεωρία με πάνω από 100.000 αξιώματα που περιγράφουν τις μοριακές λειτουργίες, τις βιολογικές διεργασίες και τις κυτταρικές θέσεις των πρωτεϊνών σε τρεις υποοντολογίες.
Η πρόβλεψη των λειτουργιών των πρωτεϊνών με χρήση του GO απαιτεί ικανότητες μάθησης και συλλογιστικής προκειμένου να διατηρηθεί η συνέπεια και να αξιοποιηθεί η γνώση του υποβάθρου στο GO. Πολλές μέθοδοι έχουν αναπτυχθεί για την αυτόματη πρόβλεψη των πρωτεϊνικών λειτουργιών, αλλά η αποτελεσματική εκμετάλλευση όλων των αξιωμάτων στο GO για μάθηση ενισχυμένη με γνώσεις παρέμεινε πρόκληση.
Έχουμε αναπτύξει το DeepGO-SE, μια μέθοδο που προβλέπει τις λειτουργίες GO από αλληλουχίες πρωτεϊνών χρησιμοποιώντας ένα προεκπαιδευμένο μοντέλο μεγάλης γλώσσας. Το DeepGO-SE δημιουργεί πολλαπλά προσεγγιστικά μοντέλα GO και ένα νευρωνικό δίκτυο προβλέπει τις τιμές αλήθειας των δηλώσεων σχετικά με τις πρωτεϊνικές συναρτήσεις σε αυτά τα κατά προσέγγιση μοντέλα. Συγκεντρώνουμε τις τιμές αλήθειας σε πολλαπλά μοντέλα, έτσι ώστε το DeepGO-SE να προσεγγίζει τη σημασιολογική συνεπαγωγή κατά την πρόβλεψη των πρωτεϊνικών συναρτήσεων.
Δείχνουμε, χρησιμοποιώντας πολλά σημεία αναφοράς, ότι η προσέγγιση εκμεταλλεύεται αποτελεσματικά τη γνώση του υποβάθρου στο GO και βελτιώνει την πρόβλεψη της πρωτεϊνικής λειτουργίας σε σύγκριση με μεθόδους αιχμής.