Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
PLAME est un framework de conception d'alignements de séquences multiples (ASM) léger, proposé pour pallier les faibles performances des alignements de séquences multiples (ASM) pour les protéines à faible similarité et orphelines. Il exploite les inclusions évolutives issues de modèles de langage protéique pré-entraînés pour générer des ASM prenant mieux en charge le repliement en aval. Nous combinons la génération d'ASM avec la perte de conservation-diversité, ce qui équilibre le consensus sur les positions conservées et l'inclusivité des variants de séquence plausibles. Nous développons une stratégie de sélection d'ASM pour filtrer les candidats de haute qualité et une mesure de la qualité des séquences pour prédire l'amélioration du repliement. Nous démontrons des améliorations significatives de la précision structurale (par exemple, score lDDT/TM) sur le benchmark AlphaFold2 à faible similarité/orphelines, et des améliorations constantes sont observées avec AlphaFold3. Nous démontrons également son utilité comme adaptateur léger pour ESMFold, atteignant une précision comparable à celle d'AlphaFold2 tout en conservant la vitesse d'inférence comparable à celle d'ESMFold. En conclusion, PLAME offre une méthode pratique pour le repliement de haute qualité des protéines dépourvues de voisins évolutifs forts.
Takeaways, Limitations
•
Takeaways:
◦
Amélioration de la précision de la prédiction de la structure des protéines pour les protéines à faible similitude et orphelines (performances améliorées d'AlphaFold2, AlphaFold3 et ESMFold).
◦
Efficacité de calcul accrue grâce à une conception légère.
◦
Amélioration de la qualité du MSA et amélioration des performances de prédiction grâce à des stratégies de sélection du MSA et à des mesures de qualité de séquence.
◦
Améliorer l'accessibilité à la prédiction de la structure des protéines en améliorant la précision d'ESMFold.
•
Limitations:
◦
ÉTant donné que cet article se concentre sur l’amélioration des performances de modèles spécifiques de langage protéique et de modèles de prédiction structurelle de la famille AlphaFold, des recherches supplémentaires sont nécessaires pour déterminer leur généralisabilité à d’autres modèles ou méthodologies.
◦
Une validation supplémentaire est nécessaire pour déterminer si les améliorations de performance de PLAME sont cohérentes pour toutes les protéines à faible similitude et orphelines.
◦
Des recherches supplémentaires pourraient être nécessaires pour optimiser les stratégies de sélection MSA et les mesures de qualité des séquences.
