<font id="jvfph"><ruby id="jvfph"></ruby></font>

    <sub id="jvfph"></sub>

          <output id="jvfph"><strike id="jvfph"><p id="jvfph"></p></strike></output>

              <menuitem id="jvfph"><ruby id="jvfph"></ruby></menuitem>

              <menuitem id="jvfph"></menuitem>

                產業

                首頁 - 全部文章 - 產業 - BioNeMo模型擴展到基因組學!英偉達推出生成式AI藥物設計和蛋白質預測項目

                BioNeMo模型擴展到基因組學!英偉達推出生成式AI藥物設計和蛋白質預測項目

                一年多前,英偉達(NVIDIA)宣布了進軍生成式人工智能(generative AI)領域的計劃。

                在近日召開的英偉達GTC大會上,英偉達創始人黃仁勛宣布,BioNeMo平臺現在可以在控制細胞功能的DNA、RNA和蛋白質之間建立聯系?;谛碌墓δ?,藥物發現團隊可以輕松地將生成式AI集成到工作流程中,以更好地理解和設計藥物分子,并減少對時間和資源繁重的物理實驗的需求。
                英偉達計劃將擴展后的BioNeMo模型作為一系列基于云的企業服務提供給客戶,并通過AWS HealthOmics平臺提供藥物分子結合和蛋白質結構變化的預測指標。

                研究人員現在可以利用BioNeMo擴展的生成式AI工具包,以及訪問其模型的新方法。最新的BioNeMo基礎模型可以分析DNA序列,預測蛋白質對藥物分子的反應如何改變形狀,并根據細胞的RNA確定細胞的功能。用于加速蛋白質結構預測、生成化學和分子對接預測的模型現已通過英偉達NIM作為微服務提供,NIM是在英偉達GTC大會上宣布的一系列推理模型,并可通過英偉達AI?Enterprise平臺提供。
                據介紹,在BioNeMo提供的新基礎模型中,第一個是基因組學模型DNABERT。通過對DNA序列進行訓練,該模型可以用來預測基因組特定區域的功能,分析基因突變的影響等。

                第二個即將推出的模型是scBERT,該模型基于單細胞RNA測序的數據進行訓練,使用戶能夠將其應用于下游任務,如預測基因敲除的效果或識別細胞類型,如神經元、血細胞或肌肉細胞。

                第三個模型EquiDock,該模型可以預測兩種蛋白質如何相互作用的3D結構,這對于了解藥物分子是否有效至關重要。

                BioNeMo平臺,來源:英偉達官網

                BioNeMo是一個用于藥物研發的生成式AI平臺,可幫助用戶更輕松、更快速地基于自己的數據來訓練模型,以及擴展模型在藥物研發應用領域的部署。BioNeMo提供了一種更加快捷的AI模型開發和部署方式,能夠加速由AI助力的藥物研發過程。目前,已有100多家生物制藥和AI藥物研發公司使用其BioNeMo平臺,包括安進、安斯泰來制藥、Cadence、Iambic、Insilico Medicine、Recursion和Terray Therapeutics。

                Amgen首席技術官David Reese表示:“生成式AI正在改變藥物發現,它允許我們建立復雜的模型,并將AI無縫集成到抗體設計過程中。目前,我們的團隊正在利用這項技術創造下一代藥物,為患者帶來最大的價值?!?/section>
                ChatGPT是人工智能技術驅動的自然語言處理工具,2022年一經發布,其強大的信息整合和對話能力驚艷了全球。英偉達公司希望借助這類大型語言模型來讀取構成人體信息的代碼,計劃采用與ChatGPT訓練類似的方式進行開發。

                其中,英偉達與軟件開發商InstaDeep和慕尼黑工業大學合作,為AI模型提供基因數據,最終轉化為蛋白質。利用數百人的DNA,以及英國最強大的超級計算機“劍橋一號”,研究人員發現,開發一種可應用于各種不同任務的通用程序(即基因組語言模型)是可行的,而不是要求科學家構建適合自己目的的AI來尋找每個生物學問題的答案。

                與此同時,英偉達一直在與合成生物學公司Evozyne合作建立一個大型語言模型,專注于構建從未見過的蛋白質?;谟ミ_的BioNeMo框架,研究人員可以使用該模型向多環芳烴的人類代謝蛋白添加數十種氨基酸突變,將其形狀改變為更有效的形式。

                BioNeMo框架,來源:英偉達官網

                例如,通過添加167個突變,只留下一半的蛋白質原始序列,研究人員發現了一種可能將其功能提高15%的形狀。Evozyne公司表示,另有包含51個突變的迭代顯示出85%的序列相似性,但能夠將功能提高2.5倍。

                該研究是建立在研究蛋白質折疊的計算機模型之上,近期,相關模型也取得了重大突破。DeepMind的AlphaFold AI在2020年幫助解決了幾十年前的生物學謎題,表明其可以從一系列氨基酸到單個原子范圍內預測蛋白質的最終形狀。2022年,DeepMind通過提供從動物、植物、細菌等中分類的近2億種蛋白質的視覺模型,將其工作擴展到幾乎涵蓋了科學上已知的所有蛋白質。

                英偉達和Evozyme認為,該合作項目可以為設計蛋白質奠定基礎,這些蛋白質或有一天可以用于治療先天性疾病。

                參考資料:
                1.https://blogs.nvidia.com/blog/bionemo-ai-drug-discovery-foundation-models-microservices/
                2.https://www.nvidia.cn/clara/bionemo/
                3.https://www.fiercebiotech.com/medtech/nvidia-unveils-generative-ai-programs-drug-molecule-design-protein-predictions
                4.https://www.fiercebiotech.com/medtech/jpm23-not-just-chat-generators-nvidia-turns-ai-language-models-toward-genomic-protein-data
                (0)

                本文由 SEQ.CN 作者:白云 發表,轉載請注明來源!

                關鍵詞:,

                熱評文章

                好涨太粗进去用力快好深视频_试衣间和老师疯狂试爱_巨大巨粗巨长 黑人长吊_妇女满足农民工特级毛片

                  <font id="jvfph"><ruby id="jvfph"></ruby></font>

                  <sub id="jvfph"></sub>

                        <output id="jvfph"><strike id="jvfph"><p id="jvfph"></p></strike></output>

                            <menuitem id="jvfph"><ruby id="jvfph"></ruby></menuitem>

                            <menuitem id="jvfph"></menuitem>