Изменения
→Предсказание формы белка
===Предсказание формы белка===
Предсказание формы белка {{---}} другая очень важная задача машинного обучения в фармацевтике. С возникновением технологий секвенирования ДНК у сообщества появилась возможность быстро и достаточно качественно прочитывать белковые последовательности, но получать пространственную структуру полученных белков экспериментально все еще можно очень трудоемко и дорого. Пространственная же структура белка важна для генерации мишеней под этот белок, поэтому задача предсказания стуруктуры является очень важной. Например, при подборе потенциальной вакцины, необходимо точно знать форму антитела, чтобы понимать сможет ли это соединение захватить свою мишень, не дав ей закрепиться в организме пациента.
Предсказание формы белков основано на нейронных сетях, которые как вход используют очень длинную аминокислотную последовательность (размер алфавита ограничен - всего различных аминокислот 20), а на выходе должны предсказать значения торсионных углов между аминокислотами. В декабре 2020 года DeepMind (исследовательское подразделение Google) [[https://deepmind.com/blog/article/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology заявили]], что решили проблему пространственной структуры белка. Авторы модели утверждают, что значение метрики глобального расстояния (англ. global distance test) превысело 90%. Метрика глобального расстояния {{---}} метрика, которая вычисляется для каждой аминокислоты как процент атомов углерода из главной цепи белка, которые в сгенерированном белке расположены не более чем на расстоянии какого-то определенного количества ангстрем от соответствующего атома углерода в исходном белке. Обычно это значение берется равным 1, 2, 4 или 8 ангстрем.
===Предсказание реакции между молекулами===
