MassiveFold: настраиваемая версия AlphaFold сокращает время предсказания структуры белка с месяцев до часов

Ученые из Университета Лилля (Франция), Университета Линчёпинга (Швеция) и других институтов представили MassiveFold — новую версию AlphaFold, которая радикально сокращает время вычислений для предсказания структуры белка с месяцев до часов.

Прогнозирование структуры белков переживает золотую эру благодаря инструментам искусственного интеллекта и машинного обучения. Биотехнологические исследования критически зависят от определения правильной структуры белка, что важно для множества отраслей: от пищевой и фармацевтической промышленности до моды, биотоплива, сельского хозяйства и производства моющих средств.

AlphaFold от DeepMind и база данных структур белков AlphaFold Protein Structure Database внесли значительный вклад. Изначально обученная на одиночных белковых цепях, система позже продемонстрировала высокую точность в моделировании сложных белковых комплексов в ходе недавнего раунда слепого предсказания CASP15-CAPRI.

CASP (Critical Assessment of Structure Prediction) и CAPRI (Critical Assessment of Predicted Interactions) — это два слепых теста для оценки точности моделей предсказания белков. Исследователям предоставляют только аминокислотные последовательности, а их прогнозы сравнивают с классически решенными структурами. Чем ближе предсказанная модель к реальной структуре, тем выше оценка.

В исследовании "MassiveFold: unveiling AlphaFold's hidden potential with optimized and parallelized massive sampling", опубликованном в Nature Computational Science, команда представляет MassiveFold — оптимизированную и настраиваемую версию AlphaFold, значительно расширяющую возможности предсказания структуры белка.

Сравнительный анализ показал, что MassiveFold может создавать хорошие модели для нескольких целей CASP15, иногда превосходя недавно опубликованный AlphaFold3. В зависимости от конкретной цели лучшие модели давал либо MassiveFold, либо AlphaFold3, что указывает на компромиссы в стратегиях предсказания. В будущем эти стратегии, вероятно, будут интегрированы.

Ключевые преимущества MassiveFold:

• Скорость: Сокращает время вычислений с месяцев до часов.
• Эффективность ресурсов: Решает проблемы высоких требований к ресурсам GPU и хранению данных, характерные для традиционных приложений AlphaFold. Возможность параллельного запуска прогнозов делает его практичным даже при ограниченных вычислительных ресурсах.
• Масштабируемость и настраиваемость: Может работать на чем угодно — от одного компьютера до крупной инфраструктуры GPU, полностью используя все доступные вычислительные узлы.
• Доступность: Программа проста в использовании и установке, требует только простой командной строки с файлом параметров JSON. Ее открытый исходный код способствует сотрудничеству и дальнейшему развитию в научном сообществе.

Код MassiveFold находится в открытом доступе на GitHub и Zenodo.