XiaoMi-AI文件搜索系统
World File Search SystemAlphafold
AlphaFold 3 的综述
谷歌 DeepMind Technologies Limited（英国伦敦）最近发布了其新版生物分子结构预测人工智能（AI）模型AlphaFold 3。与前身AlphaFold 2相比，该创新的准确性更高、功能更强大，其容量和速度令世界震惊。人类需要数年时间才能确定各种蛋白质的结构以及形状如何与受体配合，但AlphaFold 3只需几秒钟即可预测相同的结构。该版本在药物发现、疫苗、酶促过程以及确定不同生物过程的速率和效果领域的实用性令人难以想象。AlphaFold 3使用类似的机器学习和深度学习模型，例如Gemini（谷歌 DeepMind Technologies Limited）。AlphaFold 3 已成为计算生物化学和药物开发以及受体调节和生物分子开发领域的转折点。借助 AlphaFold 3 和类似模型，研究人员将获得对蛋白质结构动力学及其相互作用的无与伦比的洞察，为科学家和医生开辟新的途径，造福患者。AlphaFold 3 等人工智能模型的集成，加上高标准研究出版物的严格验证，将催化进一步的创新，并让我们一窥生物医学的未来。
评论Alphafold 3
Google DeepMind Technologies Limited（英国伦敦）最近发布了其新版本的生物分子结构预测器人工智能（AI）模型，名为Alphafold3。的准确性优越，比其前任Alphafold 2更强大，这项创新以其能力和速度使世界惊讶。确定各种蛋白质的结构以及形状如何与受体一起工作，但Alphafold 3在几秒钟内预测相同的结构。该版本的效用是在药物发现，疫苗，酶促过程以及确定不同生物学过程的速率和影响的领域中难以想象的。Alphafold 3使用类似的机器学习和深度学习模型，例如Gemini（Google DeepMind Technologies Limited）。alphafold 3已经成为计算生物化学和药物开发领域的转折点，以及受体调节和生物分子发育。借助Alphafold 3和类似的模型，研究人员将获得对蛋白质及其相互作用的结构动态的无与伦比的见解，为科学家和医生开辟了新的途径，以利用患者的利益。通过对高标准研究出版物的严格验证来支持Alphafold 3之类的AI模型，将促进进一步的创新，并瞥见生物医学的未来。
使用Alphafold多聚机发现Interkingdom蛋白...
。cc-by 4.0国际许可（未经Peer Review尚未获得认证）是作者/资助者，他已授予Biorxiv的许可证，以永久显示预印本。它是制作
使用可解释的AI
本文提出了可解释的（𝑥折），这是蛋白质结构预测的解释AI框架。尽管基于AI的方法（例如Alphafold（𝛼倍））在该领域取得了成功，但由于深度学习模型的黑盒性质，其预测的根本原因尚不清楚。为了解决这个问题，我们提出了一个受生物学原理启发的反事实学习框架，以生成针对蛋白质结构预测的反事实解释，从而实现了一种干LAB实验方法。我们的实验结果表明，外观折叠对Alphafold的预测产生高质量解释的能力，从而对氨基酸对3D蛋白质结构的影响几乎有实验的理解。该框架有可能促进对蛋白质结构的深入了解。源代码和解释性项目的数据可在https://github.com/rutgerswiselab/explainablefold上找到。
Alphafold 3是否为RNA取得了成功？
尽管该领域的进步持续发展，但预测RNA的3D结构是一个显着的挑战。尽管Al-Phafold成功解决了蛋白质的问题，但RNA结构预测由于蛋白质和RNA之间的基础差异而引起了困难，这阻碍了直接适应。Alphafold的最新版本Alphafold 3扩大了其范围，以包括多个不同的分子，例如DNA，配体和RNA。虽然本文讨论了最后一个CASP-RNA数据集的结果，但RNA的性能范围和局限性尚不清楚。在本文中，我们对RNA 3D结构的预测中Alphafold 3的性能进行了全面分析。通过五个不同的测试集的广泛基准测试，我们讨论了Alphafold 3的性能和局限性。我们还将其表现力与十种现有的最新最新的，基于模板和深度学习的方法进行了比较。我们的结果可以在evryrna平台上免费获得：https：// evryrna。ibisc.univ-evry.fr/evryrna/alphafold3/。
将Alphafold的力量放到世界手中
最令人兴奋的是，在世界各地的科学家手中，这款新的蛋白质年鉴将实现和加速研究，这将促进我们对这些生活基础的理解。已经通过我们的早期合作，我们已经看到了研究人员在自己的工作中使用Alphafold的有希望的信号。For instance, the Drugs for Neglected Diseases Initiative (DNDi) has advanced their research into life-saving cures for diseases that disproportionately affect the poorer parts of the world, and the Centre for Enzyme Innovation at the University of Portsmouth (CEI) is using AlphaFold to help engineer faster enzymes for recycling some of our most polluting single-use plastics.对于那些依靠实验蛋白结构确定的科学家来说，Alphafold的预测有助于加速他们的研究。作为另一个例子，科罗拉多大学博尔德大学的一支团队正在寻找使用Alphafold预测来研究抗生素耐药性的希望，而A
使用 AlphaFold 进行可溶性感知蛋白质结合肽设计
摘要：新的蛋白质-蛋白质相互作用（PPI）正在不断被发现，但PPI 与传统靶标相比具有不同的物理化学性质，这使得使用小分子变得困难。肽为靶向 PPI 提供了一种新的方式，但通过计算设计合适的肽序列具有挑战性。最近，AlphaFold 和 RosettaFold 使得从氨基酸序列预测蛋白质结构成为可能，并且精度极高，从而实现了从头蛋白质设计。我们使用 AfDesign 的“结合剂幻觉”协议（一种使用 AlphaFold 的从头蛋白质设计方法）设计了可能以 PPI 为靶蛋白的肽。然而，这些肽的溶解度往往较低。因此，我们使用氨基酸的溶解度指数设计了溶解度损失函数，并开发了可感知溶解度的 AfDesign 结合剂幻觉协议。使用新协议设计的序列中肽的溶解度随着溶解度损失函数的权重的增加而增加；此外，它们还捕捉到了溶解度指数的特征。此外，通过对接结合亲和力评估，新协议序列往往比随机或单残基替换序列具有更高的亲和力。我们的方法表明，可以设计出能够结合PPI界面同时控制溶解度的肽序列。
使用 AlphaFold 对寄生虫克氏锥虫进行药物靶点的计算机模拟探索
恰加斯病是一种由克氏锥虫引起的、被忽视的毁灭性疾病，影响着全球数百万人。现有的两种抗寄生虫药物硝呋莫司和苯并硝唑对感染的急性期有良好的疗效。但急性期疗效较差，通常无症状，因此经常无法诊断。治疗大多发生在慢性期，即出现危及心脏和/或消化系统的致命症状时。此后，这两种药物的疗效都会降低，而且长期服药常常会产生不良反应，影响治疗依从性。因此，迫切需要发现更安全、更有效的药物。尽管与最近使用的表型筛选相比，基于靶标的新型抗寄生虫分子的鉴定具有优势，但由于注释不完整以及缺乏寄生虫蛋白质空间结构，因此受到阻碍。目前，AlphaFold 蛋白质结构数据库拥有 19,036 个来自克氏锥虫的蛋白质模型，这些模型不仅可以成为描述新治疗方法的关键，还可以阐明已知化合物的分子作用机制。在这项概念验证研究中，我们筛选了 AlphaFold 克氏锥虫预测蛋白质模型集，以使用基于对接的逆向虚拟筛选为预先选择的已知抗锥虫活性的化合物列表寻找潜在靶标。详细分析了最有希望的配体的最佳受体（靶标），以解决分子相互作用和潜在药物的作用方式。结果深入了解了化合物及其靶标的作用机制，并为寻找新化合物或优化现有化合物的新策略铺平了道路。
alphafold加速了针对痕量胺相关受体1
人工智能正在革新蛋白质结构预测，为药物设计提供了前所未有的机会。为了评估对配体发现的潜在影响，我们使用Alphafold机器学习方法和传统同源性建模产生的蛋白质结构比较了虚拟筛选。将超过1600万种化合物停靠到痕量胺相关受体1（TAAR1）的模型，这是一种未知结构的G蛋白 - 偶联受体，也是治疗神经精神疾病的靶标。分别来自Alphafold和同源模型筛选的30和32个高度排名化合物。中有25个是TAAR1激动剂，其功能范围为12至0.03μM。AlphaFold屏幕的产生的命中率（60％）比同源性模型高两倍以上，并且发现了最有效的前身。具有有希望的选择性曲线和类似药物的特性的TAAR1激动剂在野生型中显示出生理和抗精神病药样作用，但在TAAR1敲除小鼠中却没有。这些结果表明，αFOLD结构可以加速药物发现。