A generatív biológia segít megérteni a fehérjék sejtbeli elhelyezkedését

 Egy mesterséges intelligencián alapuló mélytanulási modell, a ProtGPS, képes megjósolni, hogy a fehérjék hogyan rendeződnek el a sejten belül. Ez az áttörés nemcsak a sejtek eddig rejtett rétegeit tárja fel, hanem új lehetőségeket kínál a gyógyszerfejlesztés és a biotechnológia területén is.

A fehérjék sejten belüli elhelyezkedése kritikus szerepet játszik működésükben. Korábban a mesterséges intelligencia alkalmazása a biológiában elsősorban a fehérjék szerkezetének előrejelzésére összpontosított. Az AlphaFold nevű AI-modell, amely Nobel-díjat is kiérdemelt, képes volt meghatározni, hogy a fehérjék milyen háromdimenziós formát öltenek. Azonban egy fehérje szerkezete önmagában nem mindig elég annak megértéséhez, hogy pontosan milyen funkciót tölt be a sejtben.

A ProtGPS ezt a hiányosságot hidalja át: nemcsak a fehérje szerkezetét, hanem annak pontos sejtbeli helyzetét is képes megjósolni. Ezáltal a tudósok célzottabban tudnak fehérjéket tervezni és elhelyezni, amely jelentős előrelépést jelenthet a gyógyszerkutatásban.

A sejttérkép kirakósának új darabja

A kutatók már régóta tudják, hogy a sejtek bizonyos részeibe - például a sejtmagba vagy a mitokondriumba - jutó fehérjék speciális jelzőcímkékkel rendelkeznek. Ezek az apró molekuláris jelzések útmutatóként szolgálnak, hogy a fehérjék a megfelelő helyre kerüljenek. Azonban a sejt nagy része nyitott térként funkcionál, ahol a fehérjék finomabb jelzésekre támaszkodva rendeződnek biomolekuláris kondenzátumokba. Ezek a dinamikus, folyadékszerű csoportosulások szabályozzák a génaktivitást, segítenek a sejtek stresszkezelésében és közrejátszanak bizonyos betegségek kialakulásában is.

A ProtGPS képes felismerni azokat a rejtett aminosav-szekvencia mintázatokat, amelyek a fehérjéket a megfelelő sejtbeli helyükre irányítják. Ezáltal lehetővé válik a természetben nem létező, de speciális lokalizációval rendelkező fehérjék tervezése is.

Hogyan tanítják az MI-t a fehérjék nyelvére?

A ProtGPS egy úgynevezett fehérje nyelvi modell, amely hasonlóan működik, mint a mesterséges intelligencián alapuló nyelvi modellek (például ChatGPT). Ahelyett, hogy szavakat és mondatokat elemezne, a fehérjék aminosav-szekvenciáiból tanul, amelyek különböző betűkombinációkkal jelölik az egyes aminosavakat. Így tehát nem egy generatív nyelvi modellről beszélünk mint a ChatGPT esetében, hanem generatív biológia modellről.

A modell az Evolutionary Scale Modeling (ESM) nevű mélytanulási keretrendszert használja, amelyet eredetileg a Meta fejlesztett ki fehérjék szerkezeti és funkcionális előrejelzésére. Az ESM egyedisége abban rejlik, hogy míg az AlphaFold részletes fizikai számításokat végez, addig az ESM szekvenciaalapú tanulást alkalmaz, így sokkal gyorsabban és nagyobb adathalmazokon képes dolgozni. Ez tette lehetővé a ProtGPS számára, hogy gyorsan és hatékonyan dekódolja a fehérjék sejten belüli elhelyezkedésének szabályait.

A gyógyszerfejlesztés és betegségek megértésének új eszköze

A ProtGPS egyik legizgalmasabb alkalmazása a betegségek vizsgálatában és a gyógyszerfejlesztésben rejlik. A modell képes előre jelezni, hogy egy adott mutáció miként befolyásolja a fehérjék kompartmentalizációját, vagyis elhelyezkedését a sejten belül. Ez rendkívül hasznos lehet olyan betegségek megértésében, mint a rák vagy a genetikai fejlődési rendellenességek, ahol a fehérjék hibás lokalizációja kritikus szerepet játszik.

A Dewpoint Therapeutics biotechnológiai vállalat már beépítette a ProtGPS-t a gyógyszerkutatási folyamataiba. A cél, hogy új terápiás megoldásokat találjanak olyan betegségekre, amelyekben a fehérjék rendellenes kondenzátumokba tömörülnek. Más kutatók is nagy potenciált látnak az eszközben, különösen olyan területeken, ahol a fehérjék célzott módosítása segíthet a betegségek leküzdésében.

Új szemlélet a biológiában

A ProtGPS nemcsak egy új biotechnológiai eszköz, hanem egy új tudományos paradigma része is. Az elmúlt évtizedekben a biológia fókuszában elsősorban a molekulák szerkezete állt, azonban egyre nyilvánvalóbbá válik, hogy a sejten belüli elrendeződés ugyanolyan fontos. Ahogyan egy jól megtervezett otthonban sem elég a bútorok puszta létezése, hanem azok elhelyezése is számít, úgy a sejtekben is szükség van a pontos molekuláris szerveződésre.

A ProtGPS által feltárt rejtett mintázatok új lehetőségeket nyitnak a biológia és a gyógyszerfejlesztés területén. A tudósok most először képesek befolyásolni és irányítani a fehérjék sejtbeli célpontját, amely új gyógyszerek és terápiás eljárások kifejlesztéséhez vezethet. A jövőben a mesterséges intelligencia még mélyebb betekintést nyújthat a sejtek működésébe, forradalmasítva az élet tudományát. 

Osszd meg ezt a cikket
Hol tart ma valójában a mesterséges intelligencia?
A mesterséges intelligencia fejlesztése az elmúlt években látványos és gyakran lenyűgöző eredményeket produkált. Az olyan rendszerek, mint a ChatGPT, képesek természetes nyelvű szövegeket generálni, problémákat megoldani és sokszor az emberi teljesítményt is meghaladni különféle feladatokban. Ugyanakkor egyre több neves kutató és technológiai vezető – köztük John Carmack és François Chollet – hívja fel a figyelmet arra, hogy ezek az eredmények nem feltétlenül jelentik az általános mesterséges intelligencia (AGI) közeledtét. A színfalak mögött most új típusú problémák és kérdések kerültek a figyelem középpontjába, amelyek messze túlmutatnak a puszta teljesítményen.
A Rhino Linux új kiadással jelentkezik: 2025.3
A Linux disztribúciók körében főként kétféle szemléletmód terjedt el, vannak a stabil, ritkán frissülő rendszerek biztonságos kiszámíthatósággal, és a naprakész, de időnként kényes egyensúlyon balanszírozó, gördülő kiadású disztribúciók. A Rhino Linux ezt a két ellenpontot próbálja áthidalni, azaz egyszerre próbál naprakész lenni gördülő disztribúcióként, de alapként az Ubuntura épül, hogy megfelelő stabilitást is biztosítson.
SEAL az önmagát tanító mesterséges intelligencia előhírnöke
Hosszú évek óta tartja magát az elképzelés, hogy a mesterséges intelligencia fejlesztésének kulcsa az emberi tanítás: adatok, címkék, finomhangolás, gondosan megtervezett beavatkozások. Most azonban egy új megközelítés látott napvilágot. Az MIT kutatóinak legújabb munkája, a SEAL (Self-Adapting Language Models) névre keresztelt rendszer olyan nyelvi modelleket mutat be, amelyek képessé válnak saját maguk tanítására. Az eredmények nemcsak technológiai újdonságot jelentenek, hanem felvetik a kérdést: vajon milyen szerepet szánunk a jövőben az embernek az intelligens rendszerek képzésében?
Elég egy fotó és egy hang – az Alibaba új mesterséges intelligenciája teljes testű avatárt készít belőle
Egyetlen hangfelvétel és egy fotó is elegendő ahhoz, hogy élethű, teljes testtel mozgó, arcjátékkal és érzelmekkel teli virtuális karaktereket hozzunk létre – stúdió, színész vagy zöld háttér nélkül. Az Alibaba legújabb fejlesztése, az OmniAvatar nevű nyílt forráskódú mesterséges intelligencia-modell legalábbis éppen ezt ígéri. Bár a technológia még formálódik, már most is érdemes figyelmet szentelni annak, amit lehetővé tesz – és annak is, hogy mindez milyen új kérdéseket vet fel.
ALT Linux 11.0 Education az orosz oktatási intézmények fundamentuma
Az ALT Linux egy orosz gyökerekkel rendelkező, RPM csomagkezelőre épülő Linux disztribúció, amelynek alapjait a Sisyphus csomagtár képezi. Kezdetben orosz lokalizációs erőfeszítésekből nőtte ki magát, együttműködve olyan nemzetközi disztribúciókkal, mint a Mandrake és a SUSE Linux, különös tekintettel a cirill betűs írás támogatására.
A térbeli intelligencia a következő leküzdendő akadály az AGI előtt
Az LLM megszületésével a gépek lenyűgöző képességekre tettek szert. Ráadásul fejlődési sebességük is nagyobb tempóra kapcsolt, nap mint nap jelennek meg újabb modellek, amelyek még hatékonyabbak még jobb képességekkel ruházzák fel a gépeket. Ha azonban közelebbről megvizsgáljuk, ezzel a technológiával még csak most értük el, hogy a gépek képesek egy dimenzióban gondolkodni. A világ amelyben élünk azonban az emberi érzékelés alapján három dimenziós. Egy ember számára nem okoz gondot, hogy megállapítsa, hogy valami egy szék alatt van, vagy mögött, vagy egy felénk repülő labda körülbelül hová fog érkezni. Számos mesterséges intelligencia kutató szerint az AGI azaz a mesterséges általános intelligencia megszületéséhez el kell érni, hogy a gépek három dimenzióban gondolkodjanak, ehhez pedig ki kell fejleszteni a térbeli intelligenciát.

Az elmúlt néhány napban megjelent Linux disztribúció frissítések