Μετάβαση στο περιεχόμενο

AlphaFold

Από τη Βικιπαίδεια, την ελεύθερη εγκυκλοπαίδεια
Αυτή είναι μια παλιά έκδοση της σελίδας, όπως διαμορφώθηκε από τον Kalogeropoulos (συζήτηση | συνεισφορές) στις 14:32, 25 Μαΐου 2024. Μπορεί να διαφέρει σημαντικά από την τρέχουσα έκδοση.
three individual polypeptide chains at different levels of folding and a cluster of chains
Οι αλυσίδες αμινοξέων, γνωστές ως πολυπεπτίδια, διπλώνουν για να σχηματίσουν πρωτεΐνη.

Σήμερα υπάρχουν περίπου 230 εκατομμύρια πρωτεΐνες καταχωρημένες στη βάση δεδομένων UniProt, ενώ κάθε χρόνο προστίθενται εκατομμύρια νέες. Κάθε μία από αυτές έχει ένα μοναδικό τρισδιάστατο σχήμα που καθορίζει τη λειτουργία της. Ο αλγόριθμος AlphaFold έχει σχεδιαστεί για να προβλέπει τη στερεοδιάταξη των πρωτεϊνών, πράγμα που έχει καταφέρει για περισσότερες από 200 εκατομμύρια γνωστές πρωτεΐνες στη UniProt [1].

Τα δομικά συστατικά των πρωτεϊνών αποτελούν τα αμινοξέα των οποίων η αλληλουχία θα καθορίσει την τρισδιάστατη δομή του μορίου. Υπάρχουν 20 διαφορετικά αμινοξέα διαθέσιμα για την παραγωγή πρωτεϊνών τα οποία  συναρμολογούνται σύμφωνα με τις οδηγίες των γονιδίων στο DNA του οργανισμού. Οι δυνάμεις έλξης και απώθησης μεταξύ τους αναδιπλώνουν την πρωτεΐνη κατά έναν τρόποπου μπορεί να παρομοιαστεί με "φυσικό οριγκάμι", δημιουργώντας τις πολύπλοκες πτυχώσεις, τις θηλιές και τις αναδιπλώσεις της τρισδιάστατης δομής της πρωτεΐνης [2][3][4].

Η λύση της δομής των πρωτεϊνών αποτελεί πρόκληση εξέχουσας σημασίας καθώς κάτι τέτοιο θα οδηγούσε στην κατανόηση της λειτουργίας τους. Αν ληφθεί υπόψιν ότι οι πρωτεΐνες είναι τα λειτουργικά μόρια των οργανισμών, ο προσδιορισμός της δομής τους θα βοηθούσε την επιστημονική κοινότητα να κατανοήσει σε βάθος της βιολογικές διεργασίες και να αντιμετωπίσει προβλήματα που αφορούν τομείς όπως την ανθρώπινη υγεία και το περιβάλλον. Οι διαμορφώσεις κάποιων  πρωτεϊνών έχουν προσδιοριστεί με πειραματικές τεχνικές και βρίσκονται διαθέσιμες στη βάση δεδομένων Protein Data Bank (PDB) (https://www.rcsb.org/), παρόλα αυτά, οι τεχνικές αυτές δεν είναι καθόλου εύκολο να πραγματοποιηθούν για το σύνολο των πρωτεϊνών [1].

Δύο θεωρήματα που πυροδότησαν την έρευνα σχετικά με την εύρεση ενός υπολογιστικού μοντέλου που να μπορεί  να προβλέπει τη στερεοδιαμόρφωση των πρωτεϊνών ήταν το παράδοξο του Levinthal (Levinthal paradox) και το δόγμα του Anfinsen (Anfinsen's dogma) [1]. Συγκεκριμένα, το 1969, o Cyrus Levinthal  εξέφρασε την άποψη ότι θα ήταν πρακτικά αδύνατο για μία πρωτεΐνη να καταφέρει να αποκτήσει τη λειτουργική της διαμόρφωση μέσω μιας τυχαίας εξερεύνησης όλων των πιθανών διαμορφώσεων, σε ένα βιολογικά λογικό χρονικό διάστημα [5][6][7]. Έκτοτε, σχεδιάστηκαν αρκετά υπολογιστικά μοντέλα προκειμένου να λυθεί η στερεοδιάταξη των πρωτεϊνών με βάση την πρωτοταγή τους δομή, παρόλα αυτά δεν ήταν αρκετά ακριβή. Τα πράγματα άλλαξαν, όταν έκανε την εμφάνισή του ο αλγόριθμός AlphaFold, όπως αναλυτικά περιγράφεται στη συνέχεια [1].

Η πρόβλεψη της πρωτεϊνικής δομής μέχρι την εμφάνιση του AlphaFold

Είναι γεγονός πως ο προσδιορισμός της δομής μια πρωτεΐνης είναι πολύ δύσκολος. Οι ερευνητές ασχολήθηκαν με το πρόβλημα ενεργά νωρίτερα και από τη δεκαετία του 1970 όπου ο Αμερικανός βιοχημικός Κρίστιαν Άνφινσεν κέρδισε το βραβείο Νόμπελ  χημείας για τις έρευνές του που καταδείκνυαν ότι οι αλληλουχίες είναι αυτές που καθορίζουν τη δομή[8]. Το 1994 κάνει την εμφάνισή του το CASP (Critical Assessment Protein Structure Prediction), το οποίο προσελκύει ερευνητές από όλον τον κόσμο και δίνει ώθηση στο πεδίο. Πρόκειται για μια κοινοτική πρωτοβουλία στον τομέα της δομικής βιολογίας που αξιολογεί την ακρίβεια και την αποτελεσματικότητα των υπολογιστικών μεθόδων πρόβλεψης της πρωτεϊνικής δομής μέσω της αλληλουχίας των αμινοξέων [9].

To 2018 στο CASP η DeepMind παρουσιάζει την πρώτη έκδοση του AlphaFold και κερδίζει τον διαγωνισμό ενσωματώνοντας στον αλγόριθμο τεχνικές τεχνητής νοημοσύνης και βαθιάς μάθησης. Η βαθμολόγηση των λογισμικών στο CASP γίνεται με μια μέθοδο γνωστή ως global distance test (GDT) η οποία δίνει έναν βαθμό από το 0 έως το 100 με βάση το πόσο κοντά είναι η προβλεπόμενη δομή μιας πρωτεΐνης, από την πραγματική δομή που έχει προσδιοριστεί εργαστηριακά. Το AlphaFold σημείωσε πολύ καλή βαθμολογία για όλες τις πρωτεΐνες της δοκιμασίας και μάλιστα για περίπου πάνω από τα δύο τρίτα των πρωτεϊνών είχε βαθμολογία άνω του 90, γεγονός που θα μπορούσε ακόμα να σημαίνει ότι οι διαφορές μεταξύ της προβλεπόμενης και της πραγματικής δομής, θα μπορούσαν να οφείλονται σε σφάλματα του εργαστηρίου και όχι του λογισμικού. Επιπλέον θα μπορούσε να σημαίνει ότι η προβλεπόμενη δομή είναι κι αυτή μια εναλλακτική διαμόρφωση εντός του εύρους της φυσικής παραλλαγής [10]. Μόλις δύο χρόνια αργότερα το 2020, η DeepMind κερδίζει ξανά τον διαγωνισμό (CASP14) με την δεύτερη έκδοση του AlphaFold (AlphaFold2) η οποία συγκέντρωσε εξαιρετικά αποτελέσματα και υπερίσχυσε σημαντικά των άλλων συμμετεχόντων. Συγκεκριμένα, στην ανανεωμένη εκδοχή του αλγορίθμου χρησιμοποιείται μία ενσωμάτωση που περιλαμβάνει όλες τις ακολουθίες που προκύπτουν από την ανάλυση πολλαπλών ακολουθιών (MSA) και από πιθανά δείγματα, σε αντίθεση με τον AlphaFold1, που περιλάμβανε μόνο τα στατιστικά από τις αναλύσεις πολλαπλών ακολουθιών. Αυτή η προσέγγιση επιτρέπει στο AlphaFold2 να κατανοήσει την χωροδιάταξη των πρωτεϊνών με μεγαλύτερη πληρότητα και πολυπλοκότητα. Παράλληλα, ήταν δυνατή η καλύτερη απόδοση του αλγορίθμου καθώς αποφεύγονται οι φυσικά αδύνατες διαμορφώσεις των πρωτεϊνών, μέσω της ενσωμάτωσης φυσικών και γεωμετρικών εννοιών στην αρχιτεκτονική του. Η αντικατάσταση του συνελικτικού νευρωνικού δικτύου (convolutional neural network)  με μια αρχιτεκτονική που βασίζεται στην προσοχή (attention based architecture) αλλάζει τη σταθερή ροή πληροφοριών με μια ροή που ελέγχεται δυναμικά από το δίκτυο. Ένα σημαντικό συστατικό του μοντέλου είναι μια έκδοση του επαναληπτικού μετασχηματιστή SE(3)-Transformer. Ένας μετασχηματιστής είναι μια αρχιτεκτονική αυτόματου κωδικοποιητή που εξειδικεύεται διαδοχικά σε αντιστοίχιση ακολουθίας. Έτσι, ο μηχανισμός που επιστρατεύεται επιτρέπει στον αλγόριθμο να «μαθαίνει» τις συσχετίσεις ανάμεσα στα δεδομένα που χρησιμοποιούνται ως είσοδος και έτσι, ελαχιστοποιείται το χάσμα μεταξύ των προβλέψεων ζεύξης των αμινοξέων με την πραγματική τρισδιάστατη δομή της πρωτεΐνης [4].

Η λογική πίσω από τον αλγόριθμο του AlphaFold

Για την κατασκευή του AlphaFold η DeepMind βασίστηκε στην τεχνογνωσία μιας ομάδας βιολόγων, φυσικών και επιστημόνων των υπολογιστών. Η λογική του αλγορίθμου βασίζεται σε μια τεχνική βαθιάς μάθησης (Deep Learning,DL) που χρησιμοποιεί ένα δίκτυο προσοχής που επιτρέπει την ανάλυση ενός μεγαλύτερου προβλήματος, εστιάζοντας πρώτα σε μικρότερα [10]. Στην πράξη η μηχανική μάθηση (Machine Learning,ML) ανήκει στον τομέα της τεχνητής νοημοσύνης (Artificial Intelligence, AI), και αποσκοπεί στην κατασκευή αλγορίθμων που εκπαιδεύονται και αυτοβελτιώνουν την απόδοσή τους. Έναν τέτοιου τύπου αλγόριθμο αποτελούν τα νευρωνικά δίκτυα, τα οποία ονομάστηκαν έτσι επειδή είναι εμπνευσμένα από την οργάνωση των νευρώνων στον εγκέφαλο. Ένα νευρωνικό δίκτυο αποτελείται από έναν ιστό εικονικών κόμβων που περνούν σήματα ο ένας στον άλλον, ακριβώς όπως στον εγκέφαλο οι ιστοί των νευρώνων επικοινωνούν μεταξύ τους μέσω των συνάψεων. Συνήθως κάθε κόμβος εκτελεί κάποιες μαθηματικές πράξεις στα λαμβανόμενα σήματα και στη συνέχεια μεταβιβάζει το νέο σήμα στους επόμενους κόμβους. Κατά τη διαδικασία της εκπαίδευσης ,γίνεται η ρύθμιση των λειτουργιών κάθε κόμβου έτσι ώστε ολόκληρο το δίκτυο να παράγει την επιθυμητή έξοδο από τις εισόδους εκπαίδευσης [11].

Έτσι και το AlphaFold περιλαμβάνει ένα δίκτυο από εκατοντάδες επίπεδα με χιλιάδες κόμβους, όπου η είσοδος είναι πληροφορίες σχετικές με την πρωτεϊνική αλληλουχία και ο στόχος είναι να προβλεφθεί η απόσταση ανάμεσα σε κάθε υπόλειμμα μέσα στην αναδιπλούμενη πρωτεΐνη. Για την εκπαίδευση του λογισμικού χρησιμοποιήθηκαν περίπου 170.000 πρωτεΐνες που προέρχονται από την PDB (Protein Data Bank), ένα δημόσιο αποθετήριο αλληλουχιών και δομών. Αυτά τα δεδομένα χρησιμοποιούνται για τον υπολογισμό της απόστασης μεταξύ ζευγών αμινοξέων σε δομές που δεν είναι ακόμα γνωστές. Παράλληλα το λογισμικό είναι ικανό να αξιολογήσει την ακρίβεια αυτών των υπολογισμών [10].

Προβλεπόμενες επαφές vs Προβλεπόμενες αποστάσεις.

Η έννοια των προβλεπόμενων επαφών αφορά κατάλοιπα σε μια πρωτεΐνη που προβλέπεται να βρίσκονται κοντά το ένα στο άλλο («σε επαφή») στην αναδιπλούμενη δομή, ακόμη και εάν δεν είναι γειτονικά στην πρωτεϊνική αλληλουχία. Αυτές οι προβλέψεις προέρχονται από μοτίβα συνδιακύμανσης που προκύπτουν κατά τη διάρκεια της εξέλιξης και επιβεβαιώνονται με τη σύγκριση παρόμοιων αλληλουχιών σε διαφορετικούς οργανισμούς. Δηλαδή, η ίδια πρωτεΐνη στον άνθρωπο, τον ποντικό, τους χιμπατζήδες μπορεί να έχει θέσεις στην αλληλουχία που τείνουν να συν μεταβάλλονται, σαν να εξαρτάται το ένα κατάλοιπο από το άλλο μέσα στα χρόνια της εξέλιξης. Έτσι λοιπόν, η έντονη συνδιακύμανση μεταξύ δυο καταλοίπων υποδηλώνει συνήθως αλληλεπίδραση μέσα στην αναδιπλούμενη δομή, μέσω του πακεταρίσματος των πλευρικών αλυσίδων, δεσμών υδρογόνου, ηλεκτροστατικών αλληλεπιδράσεων, κλπ.

Βασικό πλεονέκτημα του AlphaFold, ήταν το ότι προώθησε την έννοια των προβλεπόμενων επαφών περεταίρω , καθώς προσπαθεί να προβλέψει την απόσταση μεταξύ δυο καταλοίπων (ένα εύρος τιμών μεταξύ 2 και 20 Å). Τέτοιου είδους προβλέψεις είναι πιο δύσκολο να γίνουν αλλά προσφέρουν περισσότερο ακριβείς πληροφορίες σχετικά με τη μορφή της αναδιπλούμενης δομής της πρωτεΐνης. Επιπλέον, ο αλγόριθμος προσφέρει την αναπαράσταση της κάθε προβλεπόμενης απόστασης ως μια ομαλή συνάρτηση περιορισμού, που επιτρέπει τη χρήση μιας απλής τεχνικής που ονομάζεται βαθμωτή κάθοδος. Έτσι, διπλώνεται απευθείας η πρωτεΐνη σε μια δομή συμβατή με τις προβλεπόμενες αποστάσεις. Τέλος, το AlphaFold συνδυάζει τις προβλέψεις απόστασης με την ενεργειακή συνάρτηση Rosetta για να βελτιώσει την τελική αναδιπλούμενη δομή του [12].

Η βάση δεδομένων του AlphaFold και ο αντίκτυπος του αλγορίθμου στην επιστημονική κοινότητα

Ο αλγόριθμος AlphaFold αποτελεί σπουδαία ανακάλυψη που έφερε την επανάσταση στην πρόβλεψη της τρισδιάστατης δομής των πρωτεϊνών στον τομέα της δομικής βιολογίας [13]. Σύντομα, μετά τη δημοσίευση της αρχιτεκτονικής του αλγορίθμου, η DeepMind και το EMBL-EBI δημιούργησαν τη βάση δεδομένων πρωτεϊνικής δομής του AlphaFold (AlphaFold Protein Structure Database – AlphaFold DB) (https://alphafold.ebi.ac.uk), στην οποία έως σήμερα βρίσκονται καταχωρημένες 214 εκατομμύρια πρωτεϊνικές δομές, ενώ ταυτόχρονα περιλαμβάνουν προβλέψεις για την αναδίπλωση όλου του μήκους πρωτεϊνικών αλληλουχιών σε σχέση με εγγραφές τις Protein Data Bank στις οποίες περιλαμβάνονται τμήματα αυτών[1][14].

Συγκεκριμένα, μέσω της προαναφερόμενης βάσης δεδομένων, οι χρήστες έχουν πρόσβαση σε τρεις διαφορερικούς τύπους δεδομένων που προκύπτουν σαν έξοδος από τον αλγόριθμο AlphaFold2. Αυτά είναι οι συντεταγμένες μοντέλου (model coordinates) , τα μέτρα εμπιστοσύνης (confidence measures - pLDDT scores) και οι προβλεπόμενες βαθμολογίες ευθυγράμμισης σφαλμάτων (predicted aligned error scores - PAE), ενώ ταυτόχρονα παρέχεται γραφική και διαδραστική αναπαράσταση όλων των εγγραφών στην AlphaFold DB. Παράλληλα, για προβλέψεις πρωτεϊνικών δομών οι οποίες δεν είναι καταχωρημένες στη βάση δεδομένων, η DeepMind έχει διαθέσιμο τον κώδικα του AlphaFold2 (https://github.com/deepmind/alphafold/) και ένα διαδραστικό Google Colab (https://bit.ly/alphafoldcolab), ώστε οι χρήστες να μπορούν να διαμορφώσουν τις προβλέψεις του ενδιαφέροντός τους [1]. Αξιοποιώντας τα παραπάνω εφόδια, επιστήμονες διαφόρων κλάδων των βιοεπιστημών (Εικόνα 2), κατάφεραν να αντλήσουν πληροφορίες για τη στερεοδιαμόρφωση των πρωτεϊνών και να οδηγηθούν πιο κοντά στην απάντηση των ερευνητικών τους ερωτημάτων, αποκτώντας νέες δυνατότητες στον τομέα των αναλύσεων [15][1].

Σημαντική είναι, επίσης, και η συνεισφορά των μοντέλων του AlphaFold, στη διδασκαλία της δομικής βιολογίας. Αναλυτικότερα, δίνεται η δυνατότητα στους φοιτητές να αντιληφθούν τη σημασία συγκεκριμένων δομικά εύκαμπτων περιοχών για τη λειτουργία των πρωτεϊνών ενώ παράλληλα, η πρόσβαση σε τέτοια μοντέλα βοηθά στην εκπαίδευση και στην εξάσκηση των βιοεπιστημόνων, όπως δομικών βιολόγων, βιοπληροφορικών, κλπ. [1].

Αξίζει να σημειωθεί, ότι ο AlphaFold αρχικά σχεδιάστηκε ώστε να μπορεί να προβλέψει τη δομή μίας πρωτεΐνης η οποία αποτελείται από μία πολυπεπτιδική αλυσίδα. Γρήγορα, αυτή η δυνατότητα ενισχύθηκε ,καθώς κάποιες αλλαγές στο πρόγραμμα οδήγησαν στο να μπορεί πλέον να προβλεφθεί και η τεταρτοταγής δομή πρωτεϊνών που συνίστανται από παραπάνω από μία υπομονάδες [16]. Έτσι, η ευρεία χρήση του AlphaFold2 και παραλλαγών αυτού, όπως του AlphaFold2-Multimer (χρησιμοποιείται στην πρόβλεψη της δομής συμπλόκων πρωτεϊνών) έδωσε το έναυσμα ώστε να πραγματοποιηθεί μεγάλη πρόοδος στον εν λόγω τομέα. Πλήθος ερευνητών, προκειμένου να προβλέψουν την τρισδιάστατη δομή μεμονωμένων υπομονάδων πρωτεϊνικών συμπλόκων ή και ολόκληρων των συμπλόκων, αξιοποίησαν είτε έτοιμες εκδόσεις του αλγορίθμου είτε προσαρμοσμένες, με τις τελευταίες να μεγαλώνουν αρκετά το εύρος της συλλογής των πιθανών πρωτεϊνικών διαμορφώσεων [17]. Στα πλαίσια αυτής της ανάπτυξης, πλέον, ο εν λόγω αλγόριθμος μπορεί να χρησιμοποιηθεί και για να αναγνωριστούν αλληλεπιδράσεις πρωτεϊνών-πεπτιδίων (protein-peptide interactions) πράγμα που υποδεικνύει πως ο AlphaFold έχει εκπαιδευτεί να αναγνωρίζει δομικά χαρακτηριστικά της στερεοδιαμόρφωσης της πρωτεΐνης (Elofsson, 2023). Επίσης, ο AlphaFold αποτέλεσε την ιδέα πάνω στην οποία βασίστηκαν άλλες μέθοδοι για την πρόβλεψη της αναδίπλωσης πρωτεϊνών, όπως για παράδειγμα το RoseTTAFold, το OpenFold, το UniFold, το OmegaFold και το ESMfold, με τα δύο τελευταία να μοιάζουν αρκετά με το AlphaFold αλλά με τη διαφορά ότι δεν χρησιμοποιούν MSA [16][18][19][20][21][22].

Τέλος, δύο χρόνια μετά το CASP14, πραγματοποιήθηκε το CASP15, όπου η τυπική αρχιτεκτονική AlphaFold παρουσίασε καλύτερη απόδοση σε σχέση με πάνω από τις μισές ομάδες που συμμετείχαν στη συγκεκριμένη αξιολόγηση, ενώ από την άλλη πλευρά, υπήρξαν κάποιες οι οποίες παρουσίασαν βελτιώσεις. Συγκεκριμένα, οι βελτιώσεις αυτές αφορούσαν στην πιο αποτελεσματική χρήση μοντέλων (templates), στην αύξηση της δειγματοληψίας μέσα από εναλλακτικές μεθόδους για τη δημιουργία των MSA ή στην τροποποίηση του αλγόριθμου ώστε να χρησιμοποιεί τους λεγόμενους «dropout» νευρώνες, που κατά τη διάρκεια της εκπαίδευσης των νευρωνικών δικτύων, τυχαία, «αποκλείονται» ή «απενεργοποιούνται» [16].

Παραπομπές

  1. ↑ 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 Varadi, Mihaly; Velankar, Sameer (2023-09). «The impact of AlphaFold Protein Structure Database on the fields of life sciences» (στα αγγλικά). PROTEOMICS 23 (17). doi:10.1002/pmic.202200128. ISSN 1615-9853. https://analyticalsciencejournals.onlinelibrary.wiley.com/doi/10.1002/pmic.202200128. 
  2. ↑ Azulay, Hay; Lutaty, Aviv; Qvit, Nir (2022-04-21). «How Similar Are Proteins and Origami?» (στα αγγλικά). Biomolecules 12 (5): 622. doi:10.3390/biom12050622. ISSN 2218-273X. PMID 35625549. PMC PMC9138822. https://www.mdpi.com/2218-273X/12/5/622. 
  3. ↑ Gianni, Stefano; Jemth, Per (2016-05). «Protein folding: Vexing debates on a fundamental problem». Biophysical Chemistry 212: 17–21. doi:10.1016/j.bpc.2016.03.001. ISSN 0301-4622. https://doi.org/10.1016/j.bpc.2016.03.001. 
  4. ↑ 4,0 4,1 Marcu, Ştefan-Bogdan; Tăbîrcă, Sabin; Tangney, Mark (2022-06-09). «An Overview of Alphafold's Breakthrough» (στα English). Frontiers in Artificial Intelligence 5. doi:10.3389/frai.2022.875587. ISSN 2624-8212. PMID 35757294. PMC PMC9218062. https://www.frontiersin.org/articles/10.3389/frai.2022.875587. 
  5. ↑ Ivankov, Dmitry N.; Finkelstein, Alexei V. (2020-02-06). «Solution of Levinthal’s Paradox and a Physical Theory of Protein Folding Times» (στα αγγλικά). Biomolecules 10 (2): 250. doi:10.3390/biom10020250. ISSN 2218-273X. PMID 32041303. PMC PMC7072185. https://www.mdpi.com/2218-273X/10/2/250. 
  6. ↑ Anfinsen, Christian B. (1973-07-20). «Principles that Govern the Folding of Protein Chains» (στα αγγλικά). Science 181 (4096): 223–230. doi:10.1126/science.181.4096.223. ISSN 0036-8075. https://www.science.org/doi/10.1126/science.181.4096.223. 
  7. ↑ Hirata, Fumio; Sugita, Masatake; Yoshida, Masasuke; Akasaka, Kazuyuki (2018-01-14). «Perspective: Structural fluctuation of protein and Anfinsen’s thermodynamic hypothesis» (στα αγγλικά). The Journal of Chemical Physics 148 (2). doi:10.1063/1.5013104. ISSN 0021-9606. https://pubs.aip.org/jcp/article/148/2/020901/196312/Perspective-Structural-fluctuation-of-protein-and. 
  8. ↑ «Κρίστιαν Άνφινσεν». Βικιπαίδεια. 2020-02-06. https://el.wikipedia.org/w/index.php?title=%CE%9A%CF%81%CE%AF%CF%83%CF%84%CE%B9%CE%B1%CE%BD_%CE%86%CE%BD%CF%86%CE%B9%CE%BD%CF%83%CE%B5%CE%BD&oldid=8027417. 
  9. ↑ Kryshtafovych, Andriy; Schwede, Torsten; Topf, Maya; Fidelis, Krzysztof; Moult, John (2019-12). «Critical assessment of methods of protein structure prediction (CASP)—Round XIII» (στα αγγλικά). Proteins: Structure, Function, and Bioinformatics 87 (12): 1011–1020. doi:10.1002/prot.25823. ISSN 0887-3585. https://onlinelibrary.wiley.com/doi/10.1002/prot.25823. 
  10. ↑ 10,0 10,1 10,2 «DeepMind's protein-folding AI has solved a 50-year-old grand challenge of biology». MIT Technology Review (στα Αγγλικά). Ανακτήθηκε στις 25 Μαΐου 2024. 
  11. ↑ Kriegeskorte, Nikolaus; Golan, Tal (2019-04). «Neural network models and deep learning» (στα αγγλικά). Current Biology 29 (7): R231–R236. doi:10.1016/j.cub.2019.02.034. https://linkinghub.elsevier.com/retrieve/pii/S0960982219302040. 
  12. ↑ «Foldit». fold.it. Ανακτήθηκε στις 25 Μαΐου 2024. 
  13. ↑ David, Alessia; Islam, Suhail; Tankhilevich, Evgeny; Sternberg, Michael J.E. (2022-01). «The AlphaFold Database of Protein Structures: A Biologist’s Guide». Journal of Molecular Biology 434 (2): 167336. doi:10.1016/j.jmb.2021.167336. ISSN 0022-2836. PMID 34757056. PMC PMC8783046. https://doi.org/10.1016/j.jmb.2021.167336. 
  14. ↑ Varadi, Mihaly; Bertoni, Damian; Magana, Paulyna; Paramval, Urmila; Pidruchna, Ivanna; Radhakrishnan, Malarvizhi; Tsenkov, Maxim; Nair, Sreenath και άλλοι. (2024-01-05). «AlphaFold Protein Structure Database in 2024: providing structure coverage for over 214 million protein sequences» (στα αγγλικά). Nucleic Acids Research 52 (D1): D368–D375. doi:10.1093/nar/gkad1011. ISSN 0305-1048. PMID 37933859. PMC PMC10767828. https://academic.oup.com/nar/article/52/D1/D368/7337620. 
  15. ↑ Varadi, Mihaly; Anyango, Stephen; Deshpande, Mandar; Nair, Sreenath; Natassia, Cindy; Yordanova, Galabina; Yuan, David; Stroe, Oana και άλλοι. (2022-01-07). «AlphaFold Protein Structure Database: massively expanding the structural coverage of protein-sequence space with high-accuracy models» (στα αγγλικά). Nucleic Acids Research 50 (D1): D439–D444. doi:10.1093/nar/gkab1061. ISSN 0305-1048. PMID 34791371. PMC PMC8728224. https://academic.oup.com/nar/article/50/D1/D439/6430488. 
  16. ↑ 16,0 16,1 16,2 Elofsson, Arne (2023-06). «Progress at protein structure prediction, as seen in CASP15». Current Opinion in Structural Biology 80: 102594. doi:10.1016/j.sbi.2023.102594. ISSN 0959-440X. https://doi.org/10.1016/j.sbi.2023.102594. 
  17. ↑ Lensink, Marc F.; Brysbaert, Guillaume; Raouraoua, Nessim; Bates, Paul A.; Giulini, Marco; Honorato, Rodrigo V.; van Noort, Charlotte; Teixeira, Joao M. C. και άλλοι. (2023-12). «Impact of AlphaFold on structure prediction of protein complexes: The CASP15‐CAPRI experiment» (στα αγγλικά). Proteins: Structure, Function, and Bioinformatics 91 (12): 1658–1683. doi:10.1002/prot.26609. ISSN 0887-3585. PMID 37905971. PMC PMC10841881. https://onlinelibrary.wiley.com/doi/10.1002/prot.26609. 
  18. ↑ Baek, Minkyung; DiMaio, Frank; Anishchenko, Ivan; Dauparas, Justas; Ovchinnikov, Sergey; Lee, Gyu Rie; Wang, Jue; Cong, Qian και άλλοι. (2021-08-20). «Accurate prediction of protein structures and interactions using a three-track neural network» (στα αγγλικά). Science 373 (6557): 871–876. doi:10.1126/science.abj8754. ISSN 0036-8075. PMID 34282049. PMC PMC7612213. https://www.science.org/doi/10.1126/science.abj8754. 
  19. ↑ Ahdritz, Gustaf; Bouatta, Nazim; Floristean, Christina; Kadyan, Sachin; Xia, Qinghui; Gerecke, William; O’Donnell, Timothy J.; Berenberg, Daniel και άλλοι. (2023-08-12). «OpenFold: Retraining AlphaFold2 yields new insights into its learning mechanisms and capacity for generalization» (στα αγγλικά). bioRxiv: 2022.11.20.517210. doi:10.1101/2022.11.20.517210. https://www.biorxiv.org/content/10.1101/2022.11.20.517210v3. 
  20. ↑ Wu, Ruidong; Ding, Fan; Wang, Rui; Shen, Rui; Zhang, Xiwen; Luo, Shitong; Su, Chenpeng; Wu, Zuofan και άλλοι. (2022-07-22). «High-resolution de novo structure prediction from primary sequence» (στα αγγλικά). bioRxiv: 2022.07.21.500999. doi:10.1101/2022.07.21.500999. https://www.biorxiv.org/content/10.1101/2022.07.21.500999v1. 
  21. ↑ Lin, Zeming; Akin, Halil; Rao, Roshan; Hie, Brian; Zhu, Zhongkai; Lu, Wenting; Smetanin, Nikita; Verkuil, Robert και άλλοι. (2022-12-21). «Evolutionary-scale prediction of atomic level protein structure with a language model» (στα αγγλικά). bioRxiv: 2022.07.20.500902. doi:10.1101/2022.07.20.500902. https://www.biorxiv.org/content/10.1101/2022.07.20.500902v3. 
  22. ↑ Li, Ziyao; Liu, Xuyang; Chen, Weijie; Shen, Fan; Bi, Hangrui; Ke, Guolin; Zhang, Linfeng (2022-08-30). «Uni-Fold: An Open-Source Platform for Developing Protein Folding Models beyond AlphaFold» (στα αγγλικά). bioRxiv: 2022.08.04.502811. doi:10.1101/2022.08.04.502811. https://www.biorxiv.org/content/10.1101/2022.08.04.502811v3. 

Περαιτέρω ανάγνωση

Εξωτερικοί σύνδεσμοι

Ανακτήθηκε από "https://el.wikipedia.org/w/index.php?title=AlphaFold&oldid=10584338"