uutiset

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

IT House News 22. elokuuta, teknologiamedia The Decoder julkaisi eilen (21. elokuuta) blogikirjoituksen, jossa kerrottiin, että Rutgersin yliopistossa tehty tutkimus osoitti, että OpenAI:n GPT-4-kielimalli voi simuloida yksinkertaisia ​​aminohappoja suurella tarkkuudella ja proteiinirakenteella.

Asiaankuuluvat tutkimustulokset julkaistiin "Scientific Reports" -julkaisussa. Tieteellinen tutkimusryhmä käytti GPT-4 AI -kielimallia tutkiakseen sen suorituskykyä rakennebiologian perustehtävissä.Todettiin, että AI-malli pystyi ennustamaan tarkasti molekyylirakenteet.

Tutkijat pyysivät GPT-4:ää rakentamaan kolmiulotteisia rakennemalleja 20 standardin aminohaposta ja ennustivat tarkasti atomikoostumuksen, sidosten pituudet ja kulmat palautetuloksissa.

Toisessa kokeessa GPT-4:ää pyydettiin simuloimaan yhteisen proteiinin rakenne-elementin, α-heliksin, rakennetta. Tuloksena oleva malli oli verrattavissa kokeellisesti määritettyyn α-heliksiin rakenne.

Lisäksi GPT-4 analysoi myös antiviraalisen lääkkeen Nirmatrelvirin ja SARS-CoV-2:n pääproteaasin välistä sitoutumista.Malli tunnisti oikein sitoutumiseen osallistuvat aminohapot ja tarkasti vuorovaikutuksessa olevien atomien väliset etäisyydet.

Nämä ominaisuudet ovat erinomaisia, koska GPT-4:ää ei kehitetty erityisesti rakennebiologian tehtäviin. Tutkijat totesivat, että GPT-4:n mallintamismenetelmä on epäselvä. Se voi käyttää olemassa olevia atomikoordinaatteja harjoitustietojoukosta tai se voi laskea rakenteen uudelleen tyhjästä - tarkkojen johtopäätösten tekeminen edellyttää laajaa lisätutkimusta.

Tutkijat sanovat, että erikoistuneet tekoälytyökalut, kuten AlphaFold 3, voivat ennustaa monimutkaisempia rakenteita,GPT-4:n odotetaan suorittavan rakennebiologian perustehtävät. Tämä mallinnuskyky on tällä hetkellä alkeellista ja sillä on rajalliset käytännön sovellukset.

Silti ryhmä sanoo, että tutkimus on ennakkotapaus tämän tekniikan soveltamiselle rakennebiologiassa. Tutkijat ehdottavat, että lisätutkimus generatiivisen tekoälyn ominaisuuksista ja rajoituksista voisi johtaa tekoälysovellusten lisätutkimukseen muilla mahdollisilla biotieteen aloilla rakennebiologian ulkopuolella.