Forskare utvecklar AI-modell för exakt prediktion av proteinstruktur
Forskare har presenterat en ny artificiell intelligensmodell som förutsäger proteinstrukturer med en aldrig tidigare skådad noggrannhet. Genombrottet, som beskrivs i en nylig studie, skulle kunna förändra läkemedelsupptäckt och bioteknik. Modellen, utvecklad av ett team vid University of Cambridge, utnyttjar avancerade maskininlärningstekniker.
Den 30 september 2025 rapporterade ScienceDaily om en betydande framsteg inom beräkningsbiologi. Forskare från University of Cambridge introducerade en AI-modell som kan förutsäga proteinstrukturer med 99% noggrannhet, överträffande tidigare metoder som AlphaFold.
Studien, publicerad i tidskriften Nature, beskriver hur modellen tränades på över 1 miljon proteindatasett samlade från globala databaser. Huvudforskaren Dr. Elena Rossi uppgav: "Detta genombrott skulle kunna revolutionera läkemedelsupptäckt genom att möjliggöra snabbare identifiering av proteintarget för nya terapier." Utvecklingen tog tre år och involverade samarbete med beräknings-experter och biologer.
Proteiner är essentiella byggstenar i livet, och att förstå deras 3D-strukturer är avgörande för att utveckla behandlingar för sjukdomar som cancer och Alzheimers. Traditionella metoder, som röntgenkristallografi, är tidskrävande och kostsamma. Den nya AI-metoden använder djupinlärningsalgoritmer förstärkta med kvant-inspirerad databehandling för att simulera veckningsprocesser mer effektivt.
Bakgrundskontext visar att prediktion av proteinstruktur har varit en stor utmaning inom biologi sedan 1970-talet. Tidigare AI-verktyg förbättrade noggrannheten till cirka 90%, men denna modell uppnår nästan perfekta resultat för komplexa proteiner. Forskare testade den på 500 nya strukturer och bekräftade tillförlitligheten över olika biologiska funktioner.
Implikationerna inkluderar accelererad farmaceutisk forskning, som potentiellt kan minska läkemedelsutvecklingsperioder från år till månader. Experter noterar dock behovet av ytterligare validering i verkliga tillämpningar. Medförfattaren Dr. Marco Lee tillade: "Även om lovande, kommer integrationen av detta i labbflöden att kräva ytterligare resurser."
Inga stora motsägelser framträder i rapporteringen, eftersom källan ger en enhetlig sammanfattning av den peer-granskade studien. Denna utveckling understryker AI:s växande roll i att lösa långvariga vetenskapliga pussel.