Technologie · 1 min lezen
AI in moleculair onderzoek
Laatst inhoudelijk gecontroleerd: · Redactie en bronnen
Wat AlphaFold kan, waarom elke voorspelling een betrouwbaarheidsscore heeft, en waarom het lab niet overbodig wordt.
Een doorbraak in structuurvoorspelling
Lange tijd was het bepalen van een eiwitstructuur zwaar laboratoriumwerk. In 2021 publiceerden onderzoekers van DeepMind in Nature hoe hun model AlphaFold de driedimensionale structuur van eiwitten uit de aminozuurvolgorde kan voorspellen, voor veel eiwitten met een nauwkeurigheid die in de buurt komt van experimentele bepaling.
Bronnen: [1]
Hoe het model leert
AlphaFold is getraind op structuren die eerder experimenteel zijn bepaald, en gebruikt daarnaast informatie uit verwante sequenties van andere organismen. Het herkent patronen die bepalen welke delen van een keten dicht bij elkaar komen te liggen. Het model ‘begrijpt’ de natuurkunde niet zoals een scheikundige; het voorspelt op basis van wat het in data heeft gezien.
Bronnen: [1]
Elke voorspelling komt met een score
Bij elke voorspelde structuur hoort een betrouwbaarheidsmaat per aminozuur, de pLDDT. Lage waarden, onder 50, wijzen vaak op delen die geen vaste vorm hebben of die het model niet betrouwbaar kan voorspellen. In de database van EMBL-EBI, waar honderden miljoenen voorspellingen openbaar staan, is die score per structuur te bekijken.
Bronnen: [2]
Voorspelling is geen meting
Een voorspelling is een goed onderbouwde hypothese, geen meting. Ze kan onderzoekers enorm veel tijd besparen bij het kiezen van experimenten, maar voor belangrijke conclusies blijft experimentele bevestiging nodig. AI stelt voor, onderzoek toetst.
Begin bij de basis: wat is een sequentie? →
Bronnen en verder lezen
Gerelateerde onderwerpen
Educatieve informatie over wetenschappelijk onderzoek. Geen medisch advies of bewijs van geschiktheid voor gebruik bij mensen.