「マイクロソフトの新しいAI手法による分子の動きと機能の予測」

Prediction of molecular movement and functionality using Microsoft's new AI method.

AIが化学および生物科学にもたらしている革命の次のステップを開始することができる「ディストリビューショナル・グラフォーマー」と呼ばれるもの

<img alt="図1. 分子(オレンジ)が異なるエネルギー(y軸)を持つ3つの異なる構造(x軸)を採用しているスケッチ。これを運動によって探索することができると「構造的な風景」と呼ばれます。局所的または大域的な最小値のエネルギーが低いほど、分子はそれを交換しながら構造間を移動するため、より長くその中にとどまります(緑の矢印)。AlphaFoldなどの通常の構造予測手法は、最も低いエネルギー構造に対応する中心最小値を見つけることを目指していますが、最終目標は、可能な構造とその確率の完全な分布を見つけることです。詳細な説明については、図2およびテキストを参照してください。著者によって描かれた図。

約1年前、AlphaFold 2に対する全ての興奮が収まりつつあった頃、「静的なタンパク質構造だけでなく、その構造の多様性も予測することはできるのか?」と私は尋ねました。

静的なタンパク質構造だけでなく、その構造の多様性も予測することはできるのか?

AlphaFold 2を特別な方法で適用した最近の研究は、これが可能であることを示唆しています。

VoAGI.com

実際には、AIを科学に応用しているマイクロソフトのチーム(有名な教授と共同)が、私の質問に対する最初の「はい」という答えを持つかもしれません。彼らは、単一の分子構造だけでなく、実際には3Dで分子や材料の複数の代替構造(または「コンフォメーション」)も予測できる新しい「ディストリビューショナル・グラフォーマー」を発表しました。つまり、その原子が空間で採用できる代替の可能な配置です。さらに、新しいAIモデルは、異なる構造が異なるエネルギーを持つこと、そしてしたがって異なる程度で存在することを「理解」することもできます。したがって、分子が移動する際に異なるコンフォメーションがどのように交換されるかを予測するために、新しいモデルをトレーニングすることができます。

最初のバージョンでは、ディストリビューショナル・グラフォーマーは任意の種類の分子を解析できます。実際、モデルを紹介するプレプリントでは、タンパク質がどのように動くか(私が質問で「構造の多様性」と呼んだもの)、タンパク質が小さな分子に結合する方法(酵素基質から医薬品、代謝物などまでカバー)、また、分子が触媒の表面に吸着する方法、および炭素構造が電子伝導特性で調整される方法に関する例題が説明されています。

詳細を理解し、モデルについてさらに知り、現代の化学と生物学に与える影響を掴むために読み進めてください。

グラフォーマーの進化

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

データサイエンス

モデルアーキテクチャのための生成AIに向けて

「Attention is All You Need」というトランスフォーマー革命は、深層学習モデルのアーキテクチャの設計に深い影響を与えまし...

機械学習

LoftQをご紹介します:大規模言語モデルのためのLoRA(Fine-Tuning-Aware Quantization)

プリトレーニングされた言語モデル(PLM)の導入は、自然言語処理の分野において画期的な変革を示しています。プリトレーニング...

機械学習

「LegalBenchとは:英語の大規模言語モデルにおける法的推論を評価するための共同構築されたオープンソースAIベンチマークです」

アメリカの弁護士や管理者は、大規模言語モデル(LLM)の進歩により、法律の専門職を再評価しています。支持者によれば、LLM...

AI研究

コロンビア大学とAppleの研究者が『フェレット』を紹介します画像の高度な理解と説明のための画期的な多モーダル言語モデルです

モデルの空間的知識を促進する方法は、ビジョン言語学習の主要な研究課題です。このジレンマは、参照と基線という2つの必要な...

機械学習

「大規模言語モデルのダークサイドの理解:セキュリティの脅威と脆弱性に関する包括的なガイド」

LLM(言語モデル)は、近年自然言語処理(NLP)のコミュニティでますます人気が高まっています。ニューラルネットワークベー...

データサイエンス

スタンフォード大学とUTオースティンの研究者は、Contrastive Preference Learning (CPL)を提案します:RLHFのためのRL-Freeな方法であり、任意のMDPsとオフポリシーのデータと一緒に動作します

モデルがパフォーマンスを向上させるにつれて、人間の好みと大規模事前トレーニング済みモデルの一致は、研究の中で注目を集...