Google DeepMind kündigte die Einführung von AlphaProteo an, einem KI-System, das Bio- und Gesundheitsforscher bei der Entwicklung neuartiger, hochwirksamer Proteine unterstützt, die sich präzise und stark an Zielmoleküle binden.
AlphaProteo wurde an der Protein Knowledge Financial institution (PDB) trainiert, die Durchbrüche in Wissenschaft und Bildung ermöglicht, indem sie Zugriff und Werkzeuge für die Erforschung, Visualisierung und Analyse experimentell ermittelter 3D-Strukturen aus dem PDB-Archiv bietet.
Aufgrund der Struktur eines Zielmoleküls und einer Reihe bevorzugter Bindungsstellen auf diesem Molekül erstellt AlphaProteo ein Kandidatenprotein, das an das Ziel bindet.
Der Technologieriese sagte, Bindemittel hätten das Potenzial, neue Forschungsbereiche in der Arzneimittelentwicklung und bei diagnostischen Biosensoren zu eröffnen.
„AlphaProteo kann neue Proteinbinder für verschiedene Zielproteine erzeugen, darunter VEGF-A, das mit Krebs und Komplikationen durch Diabetes in Verbindung gebracht wird. Dies ist das erste Mal, dass ein KI-Software einen erfolgreichen Proteinbinder für VEGF-A entwickeln konnte“, sagten die Protein Design- und Moist Lab-Groups von Google DeepMind in einem Blogbeitrag.
„AlphaProteo erzielt zudem bei sieben von uns getesteten Zielproteinen höhere experimentelle Erfolgsraten und drei- bis 300-mal bessere Bindungsaffinitäten als die besten bestehenden Methoden.“
Um AlphaProteo zu testen, entwickelten die Entwickler der KI Bindemittel für verschiedene Zielproteine, darunter „zwei virale Proteine, die an Infektionen beteiligt sind, BHRF1 und SARS-CoV-2-Spike-Protein-Rezeptor-Bindungsdomäne, SC2RBD, und fünf Proteine, die an Krebs, Entzündungen und Autoimmunerkrankungen beteiligt sind, IL-7Rɑ, PD-L1, TrkA, IL-17A und VEGF-A.“
Die Bindungserfolgsrate für ein virales Ziel, BHRF1, lag im Durchschnitt bei 88 % und ist damit zehnmal höher als bei herkömmlichen Methoden.
Das Google DeepMind Internet-Lab-Staff arbeitete mit externen Forschungsgruppen zusammen, darunter Forschern am Francis Crick Institute, wo Daten bestätigten, dass AlphaProteo-Binder SARS-CoV-2 daran hinderten, menschliche Zellen zu infizieren.
AlphaProteo hat gezeigt, dass es den Zeitaufwand für erste Experimente mit Proteinbindern für verschiedene Anwendungen verkürzen kann.
Trotz dieser Durchbrüche stellten die Forscher jedoch fest, dass das KI-System auch seine Grenzen hat.
Beispielsweise hat AlphaProteo keine erfolgreichen Binder für TNFɑ generiert.ein Protein, das mit Autoimmunerkrankungen wie rheumatoider Arthritis in Verbindung steht.
„Wir haben TNFɑ ausgewählt, um AlphaProteo herauszufordern, da Computeranalysen zeigten, dass es äußerst schwierig sein würde, Bindemittel zu entwickeln, die dagegen wirken. Wir werden die Fähigkeiten von AlphaProteo weiter verbessern und erweitern, mit dem Ziel, uns schließlich solchen anspruchsvollen Zielen zu widmen“, schrieben die Autoren.
Das AlphaProteo-Forschungsteam plant, mit der wissenschaftlichen Gemeinschaft zusammenzuarbeiten, um die Auswirkungen von AlphaProteo auf andere biologische Probleme zu beobachten und seine Grenzen besser zu verstehen.
Darüber hinaus untersuchte das Staff bei Isomorphic Labs die Anwendungsmöglichkeiten für sein Arzneimitteldesign.
DER GRÖSSERE TREND
Im Juni haben Google Analysis und Google DeepMind veröffentlichte ein Papier Ankündigung der Schaffung eines neuen LLM für Arzneimittelforschung und therapeutische Entwicklung mit der Bezeichnung Tx-LLM, einer Weiterentwicklung von Med-PaLM 2.
Der Technologiegigant Med-PaLM 2 ist eine generative KI-Technologie, die die LLMs von Google nutzt, um medizinische Fragen zu beantworten.
Im Mai, eine Studie durchgeführt von Google Analysis in Zusammenarbeit mit Google DeepMind zeigte, dass der Technologieriese die Fähigkeiten seiner KI-Modelle für Med-Gemini-2D, Med-Gemini-3D und Med-Gemini Polygenic erweitert hat.
Google sagte, es habe die Fähigkeiten von Med-Gemini mithilfe von Daten aus den Bereichen Histopathologie, Dermatologie, 2D- und 3D-Radiologie sowie Genomik und Ophthalmologie optimiert.
Im Jahr 2023 veröffentlichte Google MedLMzwei grundlegende Modelle, die auf Med-PaLM 2 basieren und dazu dienen, medizinische Fragen zu beantworten, Erkenntnisse aus unstrukturierten Daten zu gewinnen und medizinische Informationen zusammenzufassen.
Das Unternehmen sagte, es habe durch die Pilotierung seiner LLMs mit Gesundheitsorganisationen gelernt, dass die effektivsten KI-Modelle für die Bearbeitung spezifischer Anwendungsfälle konzipiert seien.
Daher ist das große Modell von MedLM für die Bewältigung komplexer Aufgaben gedacht, während es sich bei dem anderen um ein mittleres Modell handelt, das für verschiedene Aufgaben feinabgestimmt und skaliert werden kann.
Das HIMSS Healthcare Cybersecurity Discussion board findet vom 31. Oktober bis 1. November in Washington, DC statt. Mehr erfahren und registrieren.
Discussion about this post