在机器学习时代,冷EM研究仍然是必要的:通往精准医学的道路
Dominique C Stephens1,2, Amber Crabtree1, Heather K Beasley1
1Department of Molecular Physiology and Biophysics, Vanderbilt University, Nashville, TN, 37232, USA.
Advanced biology
|May 28, 2023
概括
深度神经网络与复杂的蛋白质结构预测作斗争. 低温电子显微镜 (cryoEM) 提供了必要的实验数据,以改进人工智能模型并开发针对疾病的向疗法.
科学领域:
- 结构生物学是结构生物学.
- 计算生物学是一种计算生物学.
- 生物物理学的生物物理.
背景情况:
- 机器学习 (ML) 和深度神经网络 (DNN) 是分析生物数据的强大工具,影响结构生物学和精密医学.
- DNN通常需要实验确定蛋白质结构进行训练和验证,这限制了它们对复杂蛋白质的预测能力.
- 单粒子冷电子显微镜 (cryoEM) 是确定高分辨率结构的关键实验技术.
研究的目的:
- 突出蛋白质结构预测方法的重要性.
- 讨论当前AI模型在预测复杂蛋白质结构方面的局限性.
- 强调冷EM在促进生物理解和治疗开发方面的互补作用.
主要方法:
- 基于视角的讨论,讨论人工智能驱动的结构预测和实验方法之间的相互作用.
- 分析深度神经网络在蛋白质结构预测中的优缺点.
- 探索冷EM对验证和改进人工智能模型的贡献.
主要成果:
- 蛋白质结构预测方法很重要,但面临着复杂目标的挑战.
- 人工智能模型严重依赖实验数据,导致某些蛋白质的预测准确度存在差距.
- CryoEM可以提供关键的,高质量的实验结构,以提高AI模型的性能.
结论:
- 化EM对于在结构生物学中补充人工智能至关重要,提供经过实验验证的数据.
- 通过冷EM解决人工智能预测的局限性将加速发现可向蛋白质.
- 人工智能和冷EM的整合为开发用于疾病预防和治疗的个性化治疗方法铺平了道路.
