Il software mappa migliaia di proteine ​​associate che governano la biologia cellulare

La “rivoluzione” dell’intelligenza artificiale (AI) nella previsione della struttura delle proteine ​​continua. Solo 1 anno fa, i programmi software sono riusciti per la prima volta a modellare le forme 3D delle singole proteine ​​con la stessa precisione con cui le tecniche sperimentali vecchie di decenni possono determinarle. Quest’estate, i ricercatori hanno utilizzato quei programmi di intelligenza artificiale per assemblare un catalogo quasi completo di strutture proteiche umane. Ora, i ricercatori hanno alzato ancora una volta la posta, svelando una combinazione di programmi in grado di determinare quali proteine ​​possono interagire tra loro e che aspetto hanno i complessi risultanti, i motori cruciali della cellula.

Ciò potrebbe destare non poche preoccupazioni, vista la continua evoluzione della tecnologia nelle nostre vite. La dipendenza dal telefono, computer, televisione è la maggior parte di tutti gli oggetti tecnologici “a basso prezzo” non proprio necessari. Insomma, un mercato di consumatori “accaniti”. L’intelligenza artificiale, vorrei ricordare, occupa il primo posto nella ricerca avanzata di nuove tecnologie sperimentali tra le quali possiamo indubbiamente coloccare anche la materia chiamata: viorologia biologica [la disciplina che studia i virus]. Da gli ha poco, non bisogna fare tanta strada per arrivare ai giorni nostri. Le ricerche nel campo scientifico artificiale sono un mezzo per un fine. Però, vogliamo davvero scoprirlo sulla propria pelle? Siamo nella strada giusta.

La mappatura delle forme delle proteine ​​su scala atomica ha richiesto fino a poco tempo fa tecniche sperimentali costose e lente, come la cristallografia a raggi X e la spettroscopia di risonanza magnetica nucleare. Queste tecniche sperimentali, se funzionano, in genere producono solo strutture proteiche individuali.

Gli esperti di modellazione al computer hanno lavorato per decenni per accelerare le cose. Il loro recente “successo” è dipeso da algoritmi di deep learning, che utilizzano database di strutture proteiche risolte sperimentalmente per addestrare programmi software a prevedere le strutture per le proteine ​​in base alle loro sequenze di amminoacidi.

Questi modelli forniscono ipotesi da testare per gli sperimentatori e ti dà anche molti potenziali nuovi bersagli farmacologici.

Affermazione incredibile di Qian Cong, esperto di informatica biomedica presso il Southwestern Medical Center dell’Università del Texas, visto che i bersagli farmacologici potrebbero benissimo essere anche i virus.

L’anno scorso, due gruppi, uno di una società britannica chiamata DeepMind e l’altro guidato da David Baker dell’Università di Washington, Seattle, hanno creato programmi di intelligenza artificiale rivali che ora sfornano a migliaia le strutture proteiche previste . Il software ha anche prodotto strutture per una manciata di complessi proteici noti , principalmente nei batteri. Ma negli eucarioti, organismi dal lievito alle persone, i partner che interagiscono sono spesso sconosciuti. Identificarli e prevedere come si uniscono in un complesso era un livello troppo alto per i programmi originali.

Libro consigliato

Nasa

FONTE: https://nasa.gov/

Corsa dei droni: intelligenza umana contro intelligenza artificiale

L’intelligenza artificiale potrebbe presto eguagliare le capacità dei piloti di droni professionisti.

Le corse dei droni sono uno sport ad alta velocità che richiede riflessi istintivi, ma gli umani non saranno gli unici concorrenti a lungo.

I ricercatori del Jet Propulsion Laboratory della NASA a Pasadena, in California, hanno recentemente messo alla prova il loro lavoro. Cronometrando i giri attraverso un percorso ad ostacoli tortuoso, hanno fatto gareggiare droni controllati dall’intelligenza artificiale (AI) contro un pilota umano professionista.

Il team ha costruito tre droni personalizzati (soprannominati Batman, Joker e Nightwing) e ha sviluppato i complessi algoritmi necessari ai droni per volare ad alta velocità evitando gli ostacoli. Questi algoritmi sono stati integrati con la tecnologia Tango di Google, su cui ha lavorato anche JPL.

I droni sono stati costruiti secondo le specifiche delle corse e potevano facilmente raggiungere una velocità di 80 mph (129 km/h) in linea retta. Ma sul percorso a ostacoli allestito in un magazzino JPL, potevano volare solo a 30 o 40 mph (da 48 a 64 km/h) prima di dover applicare i freni.

Mentre l’IA e il pilota umano hanno iniziato con tempi sul giro simili, dopo decine di giri, Loo ha imparato il corso ed è diventato più creativo e agile. Per i giri ufficiali, Loo ha avuto una media di 11,1 secondi, rispetto ai droni autonomi, che hanno avuto una media di 13,9 secondi.