Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
PLAME es un marco ligero de diseño de MSA, propuesto para abordar el bajo rendimiento de los alineamientos múltiples de secuencias (MSA) para proteínas huérfanas y de baja similitud. Aprovecha las incrustaciones evolutivas de modelos de lenguaje de proteínas preentrenados para generar MSA que soportan mejor el plegamiento descendente. Combinamos la generación de MSA con la pérdida de diversidad por conservación, lo que equilibra el consenso sobre las posiciones conservadas con la inclusión de variantes de secuencia plausibles. Desarrollamos una estrategia de selección de MSA para filtrar candidatos de alta calidad y una métrica de calidad de secuencia para predecir la mejora del plegamiento. Demostramos mejoras significativas en la precisión estructural (p. ej., puntuación lDDT/TM) en el parámetro de referencia AlphaFold2 de baja similitud/huérfanas, y se observan mejoras consistentes al usarlo con AlphaFold3. También demostramos su utilidad como adaptador ligero para ESMFold, logrando una precisión de nivel AlphaFold2 a la vez que mantiene la velocidad de inferencia de nivel ESMFold. En conclusión, PLAME proporciona un método práctico para el plegamiento de alta calidad de proteínas que carecen de vecinos evolutivos fuertes.
Takeaways, Limitations
•
Takeaways:
◦
Se mejoró la precisión de la predicción de la estructura de proteínas para proteínas huérfanas y de baja similitud (rendimiento mejorado de AlphaFold2, AlphaFold3 y ESMFold).
◦
Mayor eficiencia computacional gracias al diseño liviano.
◦
Mejorar la calidad de MSA y optimizar el rendimiento de la predicción mediante estrategias de selección de MSA y métricas de calidad de secuencia.
◦
Mejorar la accesibilidad a la predicción de la estructura de proteínas mejorando la precisión de ESMFold.
•
Limitations:
◦
Dado que este artículo se centra en mejorar el rendimiento de modelos de lenguaje de proteínas específicos y modelos de predicción estructural de la familia AlphaFold, se necesita más investigación para determinar su generalización a otros modelos o metodologías.
◦
Se necesita una validación adicional para determinar si las mejoras en el rendimiento de PLAME son consistentes en todas las proteínas huérfanas y de baja similitud.
◦
Es posible que se necesiten más investigaciones para optimizar las estrategias de selección de MSA y las métricas de calidad de la secuencia.
