PepFlow использует машинное обучение в сочетании с физическими принципами для моделирования спектра возможных вариантов сворачивания пептида, исходя из его энергетического ландшафта. Это происходит за считанные минуты. В отличие от белков, пептиды — более динамичные молекулы, способные принимать те или иные пространственные конфигурации.
Роль пептида в организме человека напрямую связана с тем, как он сворачивается. Именно 3D-конфигурация определяет, каким образом он связывается и взаимодействует с другими молекулами. Известно, что пептиды очень гибкие и принимают разные пространственные конфигурации. За счет этого они участвуют во многих биологических процессах, представляющих интерес для исследователей, которые разрабатывают лекарства. Производство пептидов также обходится дешевле, чем создание их более крупных белковых аналогов.
Новая модель расширяет функционал ведущей системы искусственного интеллекта Google DeepMind для прогнозирования структуры белка AlphaFold. PepFlow может превзойти AlphaFold2, поскольку способна генерировать целый спектр конформаций для конкретного пептида, чего AlphaFold2 изначально не предусматривает.
PepFlow представляет собой обобщенную модель, черпающую вдохновение из генераторов Больцмана. Это высокотехнологичные модели машинного обучения, основанные на принципах физики.
Инструмент также моделирует структуры пептидов с необычными формациями, такими как кольцеобразная структура, возникающая в процессе макроциклизации. Пептидные макроциклы — перспективное направление в разработке лекарственных средств.
У PepFlow, тем не менее, есть ограничения, поскольку это первая версия модели. Авторы исследования отметили ряд направлений для дальнейшего улучшения PepFlow. Среди них: тренировка модели с учетом данных о молекулах растворителя и учет ограничений расстояний между атомами в циклических структурах.
