哈佛大學的研究人員發現，在對計算機進行訓練之後，可以弄清某些重要的蛋白質是如何發揮作用的。
好訊息是，在人工智慧（AI）技術的加持下，這項工作將變得更加輕鬆、並且能夠讓我們更快地找到答案。
【高度複雜的生物分子的 3D 模型，圖自：哈佛醫學院】
藉助最新的機器學習技術，哈佛醫學院生物學家 Mohammed AlQuraishi 對易於理解的蛋白質的結構模式進行了理解，然後再讓 AI 去分析其它蛋白質的特性。
雖然結果的精度還無法運用到新藥發現領域，但其計算蛋白質摺疊等應用的速度，卻比傳統計算方案提升了 100 萬倍。顯然，這是一項足以改進其它建模技術的進展。
具體說來是，AlQuraishi 開發了一種 AI 技術，來預測被稱作蛋白質的生物分子的重要形成。隨著模型的改進，多彩的預測、會逐漸接近灰色的實際蛋白質結構。
在週三的一份宣告中，AlQuraishi 表示 —— 我們有一個探索蛋白質摺疊的全新願景，但現在只是剛剛割開了它的表面。
迄今為止的人工智慧，最常提到的就是模仿人腦的“神經網路技術”，其已徹底改變了從語音命令、面部識別、到軟體除錯等方方面面。
對於在地球上的生物來說，DNA 鏈所包含的將氨基酸重組為蛋白質的過程（緊密摺疊成束），已被證明對細胞的功能有著至關重要的作用。
然而對於更大的蛋白質來說，想要確切地在計算機內部模擬這樣的事情，顯然是難以理解的。好訊息是，得益於 AlQuraishi 等人的 AI 解決方案，未來我們甚至可以設計出特定用途的新型蛋白質。
有關這項研究的詳情，已經發表在週三出版的《細胞系統》（Cell Systems）期刊上。原標題為：
《End-to-End Differentiable Learning of Protein Structure》
哈佛大學的研究人員發現，在對計算機進行訓練之後，可以弄清某些重要的蛋白質是如何發揮作用的。
幾十年來，蛋白質的摺疊過程，一直是一個相當著名的計算難題 —— 你該如何確定 DNA 定義的這些大分子的確切結構？好訊息是，在人工智慧（AI）技術的加持下，這項工作將變得更加輕鬆、並且能夠讓我們更快地找到答案。
【高度複雜的生物分子的 3D 模型，圖自：哈佛醫學院】
藉助最新的機器學習技術，哈佛醫學院生物學家 Mohammed AlQuraishi 對易於理解的蛋白質的結構模式進行了理解，然後再讓 AI 去分析其它蛋白質的特性。
雖然結果的精度還無法運用到新藥發現領域，但其計算蛋白質摺疊等應用的速度，卻比傳統計算方案提升了 100 萬倍。顯然，這是一項足以改進其它建模技術的進展。
具體說來是，AlQuraishi 開發了一種 AI 技術，來預測被稱作蛋白質的生物分子的重要形成。隨著模型的改進，多彩的預測、會逐漸接近灰色的實際蛋白質結構。
在週三的一份宣告中，AlQuraishi 表示 —— 我們有一個探索蛋白質摺疊的全新願景，但現在只是剛剛割開了它的表面。
迄今為止的人工智慧，最常提到的就是模仿人腦的“神經網路技術”，其已徹底改變了從語音命令、面部識別、到軟體除錯等方方面面。
對於在地球上的生物來說，DNA 鏈所包含的將氨基酸重組為蛋白質的過程（緊密摺疊成束），已被證明對細胞的功能有著至關重要的作用。
然而對於更大的蛋白質來說，想要確切地在計算機內部模擬這樣的事情，顯然是難以理解的。好訊息是，得益於 AlQuraishi 等人的 AI 解決方案，未來我們甚至可以設計出特定用途的新型蛋白質。
有關這項研究的詳情，已經發表在週三出版的《細胞系統》（Cell Systems）期刊上。原標題為：
《End-to-End Differentiable Learning of Protein Structure》