Gero ເປີດຕົວ ProtoBind-Diff, ແບບຈໍາລອງພື້ນຖານ AI ທີ່ບໍ່ຕ້ອງໃຊ້ໂຄງສ້າງ ສໍາລັບການຄົ້ນພົບໂມເລກຸນຂະໜາດນ້ອຍແບບກຳນົດເປົ້າໝາຍ

• ProtoBind-Diff ສ້າງໂມເລກຸນຄ້າຍຄືຢາສໍາລັບເປົ້າໝາຍໂປຣຕີນສະເພາະໂດຍໃຊ້ພຽງແຕ່ລໍາດັບກົດອາມີໂນຂອງພວກມັນເທົ່ານັ້ນ—ບໍ່ຈໍາເປັນຕ້ອງມີໂຄງສ້າງ 3D.
• ຮູບແບບດັ່ງກ່າວປະຕິບັດໄດ້ຢ່າງແຂ່ງຂັນກັບເຄື່ອງມືທີ່ອີງໃສ່ໂຄງສ້າງຊັ້ນນໍາໃນການຄາດຄະເນຄວາມແຂງແຮງຂອງການເຊື່ອມໂຍງ, ໃນຂະນະທີ່ຍັງສ້າງທາດປະສົມໃໝ່ ແລະ ມີຄວາມຫຼາກຫຼາຍທາງເຄມີ.

(SeaPRwire) –   ສິງກະໂປ, ວັນທີ 25 ມິຖຸນາ 2025 — Gero, ບໍລິສັດຊີວະເຕັກໂນໂລຊີທີ່ເນັ້ນໃສ່ການສູງອາຍຸ ແລະ ພະຍາດຊໍາເຮື້ອ, ມື້ນີ້ໄດ້ປະກາດເປີດຕົວ ProtoBind-Diff, ເຊິ່ງເປັນຮູບແບບພາສາ masked diffusion ທີ່ສ້າງໂມເລກຸນຂະໜາດນ້ອຍໂດຍອີງໃສ່ລໍາດັບໂປຣຕີນເທົ່ານັ້ນ. ProtoBind-Diff ໄດ້ຮັບການຝຶກຝົນຈາກຄູ່ໂປຣຕີນ–ligand ທີ່ເຄື່ອນໄຫວຫຼາຍກວ່າໜຶ່ງລ້ານຄູ່, ເຊິ່ງເປັນຕົວແທນຂອງການປ່ຽນແປງຮູບແບບໃນການສ້າງໂມເລກຸນ. ຕ່າງຈາກຮູບແບບທີ່ອີງໃສ່ໂຄງສ້າງ, ເຊິ່ງຖືກຈໍາກັດໂດຍຊຸດຂອງສານປະກອບໂປຣຕີນ–ligand ທີ່ຖືກແກ້ໄຂແລ້ວທີ່ນ້ອຍ ແລະ ມີຄວາມລໍາອຽງ, ProtoBind-Diff ໃຊ້ປະໂຫຍດຈາກຂໍ້ມູນກິດຈະກໍາຈໍານວນຫຼວງຫຼາຍທີ່ມີຢູ່ໃນຖານຂໍ້ມູນສາທາລະນະ. ອັນນີ້ຊ່ວຍໃຫ້ການຝຶກຝົນຢູ່ໃນພື້ນທີ່ເຄມີ ແລະ ຊີວະພາບທີ່ກວ້າງຂວາງຂຶ້ນຫຼາຍ, ຊ່ວຍໃຫ້ຮູບແບບສາມາດນໍາໃຊ້ໄດ້ກັບເປົ້າໝາຍທີ່ຍັງບໍ່ທັນໄດ້ສຶກສາຢ່າງກວ້າງຂວາງ ເຊິ່ງຂໍ້ມູນໂຄງສ້າງຍັງກະຈັດກະຈາຍ ຫຼື ບໍ່ມີໃຫ້.

Gero ໄດ້ປ່ອຍ ລາຍລະອຽດກ່ຽວກັບປະສິດທິພາບ ແລະ ການອອກແບບຂອງຮູບແບບ.

“ການອອກແບບໂມເລກຸນຂະໜາດນ້ອຍທີ່ສາມາດຕີເປົ້າໝາຍໂປຣຕີນໄດ້ແມ່ນໜຶ່ງໃນບັນຫາທີ່ຍາກທີ່ສຸດໃນການຄົ້ນພົບຢາ. ການສ້າງແບບຈໍາລອງແບບຄລາສສິກພົບຄວາມຫຍຸ້ງຍາກຍ້ອນຂະໜາດພະລັງງານ, ຜົນກະທົບຈາກ polarization, ແລະ ຄວາມສັບສົນຂອງພະລັງງານໂປຣຕີນເຮັດໃຫ້ການຄາດຄະເນທີ່ມີຄວາມລະອຽດສູງເກືອບເປັນໄປບໍ່ໄດ້. ແຕ່ບາງທີພວກເຮົາອາດຈະຖາມຄໍາຖາມທີ່ຜິດພາດ,” Peter Fedichev, Ph.D., CEO ແລະ ຜູ້ຮ່ວມກໍ່ຕັ້ງຂອງ Gero ກ່າວ. “ທໍາມະຊາດຕ້ອງແກ້ໄຂປິດສະໜານີ້ມາແລ້ວ – ວິວັດທະນາການໄດ້ປັບປຸງພາສາຊີວະເຄມີທີ່ເຂົ້າລະຫັດວິທີທີ່ໂປຣຕີນ ແລະ ໂມເລກຸນພົວພັນກັນ. ດ້ວຍ ProtoBind-Diff, ພວກເຮົາກໍາລັງໃຊ້ປະໂຫຍດຈາກສິ່ງນັ້ນ. ມັນເປັນຮູບແບບພາສາທີ່ຮຽນຮູ້ຈາກລໍາດັບ, ບໍ່ແມ່ນໂຄງສ້າງ. ມັນບໍ່ໄດ້ຈໍາລອງຟີຊິກ – ມັນຮຽນຮູ້ໄວຍາກອນຂອງຊີວະກໍາຈາກຕົວຢ່າງຈິງເປັນລ້ານໆຕົວຢ່າງ.”

ProtoBind-Diff ໄດ້ຖືກພັດທະນາເປັນອົງປະກອບພື້ນຖານຂອງແພລະຕະຟອມການຄົ້ນພົບຢາແບບ generative ຂອງ Gero. ຮູບແບບດັ່ງກ່າວໃຊ້ປະໂຫຍດຈາກ pre-trained protein embeddings (ESM-2) ແລະ denoising diffusion framework ເພື່ອສ້າງໂມເລກຸນທີ່ມີຄວາມຖືກຕ້ອງທາງເຄມີ ແລະ ໃໝ່ ໃນຮູບແບບ SMILES, ໂດຍອີງໃສ່ຂໍ້ມູນລະດັບລໍາດັບຢ່າງດຽວ.

Key results from the preprint include:

• ປະສິດທິພາບການແຂ່ງຂັນກັບຮູບແບບທີ່ອີງໃສ່ໂຄງສ້າງ (ເຊັ່ນ: Pocket2Mol, TargetDiff) ໃນ benchmarks ທີ່ຮັບຮູ້ໂຄງສ້າງໂດຍໃຊ້ Boltz-1, ເຊິ່ງເປັນເຄືອຂ່າຍ neural network ທີ່ຄາດຄະເນ protein–ligand complexes ແລະ ໃຫ້ຄະແນນຄຸນນະພາບການເຊື່ອມໂຍງຂອງພວກມັນ. ProtoBind-Diff ທຽບເທົ່າ ຫຼື ເກີນກວ່າຮູບແບບເຫຼົ່ານີ້ໃນທັງເປົ້າໝາຍທີ່ຖືກກໍານົດໄວ້ດີ (“ງ່າຍ”) ແລະ ເປົ້າໝາຍທີ່ມີຂໍ້ມູນໜ້ອຍ (“ຍາກ”).
• ຄວາມສາມາດໃນການຕີຄວາມໝາຍທີ່ເກີດຂຶ້ນໃໝ່, ໂດຍມີ attention heads ທີ່ສອດຄ່ອງກັບ residues ທີ່ຮູ້ຈັກວ່າເປັນບ່ອນເຊື່ອມໂຍງ ເຖິງແມ່ນວ່າຈະບໍ່ໄດ້ຮັບຂໍ້ມູນກ່ຽວກັບ 3D binding site annotations ໃນລະຫວ່າງການຝຶກຝົນ.
• ຄວາມໃໝ່ສູງ, ຄຸນນະພາບຄ້າຍຄືຢາ, ແລະ ຄວາມສາມາດໃນການສັງເຄາະຂອງໂມເລກຸນທີ່ຖືກສ້າງຂຶ້ນ, ຕາມທີ່ວັດແທກໂດຍຄວາມຄ້າຍຄືກັນທາງໂຄງສ້າງ, ຄຸນນະພາບຄ້າຍຄືຢາ, ແລະ metrics ຄວາມສາມາດໃນການສັງເຄາະ.
• ການປ່ອຍເປັນ open-source ສາມາດໃຊ້ໄດ້ໃນ GitHub, ໂດຍມີ ລາຍຊື່ລໍຖ້າສໍາລັບການສາທິດສາທາລະນະຂອງຮູບແບບເຕັມ ແລະ codebase ຢູ່ .

ProtoBind-Diff ໄດ້ຖືກ benchmark ໂດຍໃຊ້ທັງວິທີການ docking ແບບຄລາສສິກ (AutoDock Vina) ແລະ ຮູບແບບ deep learning ທີ່ຮັບຮູ້ໂຄງສ້າງ. ProtoBind-Diff ໄດ້ຖືກ benchmark ໂດຍໃຊ້ Boltz-1, ເຊິ່ງເປັນ neural network ແບບ open source ທີ່ໄດ້ຮັບແຮງບັນດານໃຈຈາກ AlphaFold 3, ເຊິ່ງເປັນການພັດທະນາຄວາມກ້າວໜ້າທີ່ໄດ້ຮັບລາງວັນ Nobel ໃນການຄາດຄະເນໂຄງສ້າງໂປຣຕີນ. Boltz-1 ຂະຫຍາຍຄວາມສາມາດນີ້ເພື່ອສ້າງແບບຈໍາລອງວິທີທີ່ໂປຣຕີນເຊື່ອມຕໍ່ກັບໂມເລກຸນຂະໜາດນ້ອຍ, ສະເໜີ metric ທີ່ສາມາດປັບຂະໜາດໄດ້ ແລະ ຮັບຮູ້ໂຄງສ້າງເພື່ອປະເມີນຄວາມແຂງແຮງຂອງການເຊື່ອມໂຍງ. ຮູບແບບດັ່ງກ່າວໄດ້ສະແດງໃຫ້ເຫັນເຖິງການເສີມສ້າງທີ່ແຂງແຮງສໍາລັບສານປະກອບທີ່ເຄື່ອນໄຫວຢ່າງຕໍ່ເນື່ອງ, ໂດຍສະເພາະໃນເປົ້າໝາຍທີ່ມີຂໍ້ມູນໂຄງສ້າງໜ້ອຍ ຫຼື ມີ ligands ທີ່ຮູ້ຈັກໜ້ອຍ. ໃນບາງກໍລະນີ, ປັດໄຈການເສີມສ້າງ Boltz-1 ຂອງມັນເກີນກວ່າຮູບແບບທີ່ຖືກຝຶກຝົນດ້ວຍໂຄງສ້າງ, ເຊິ່ງຊີ້ໃຫ້ເຫັນເຖິງຄວາມສາມາດທີ່ແຂງແຮງໃນການຮຽນຮູ້ spatial priors ຈາກ sequence embeddings, ເນັ້ນໃຫ້ເຫັນເຖິງຄວາມສາມາດໃນການຮຽນຮູ້ spatial priors ຈາກລໍາດັບຢ່າງດຽວ.

“ຂ້າພະເຈົ້າເຊື່ອວ່າພວກເຮົາພຽງແຕ່ເລີ່ມຕົ້ນການເດີນທາງໄປສູ່ການສ້າງຮູບແບບ generative ທີ່ເໝາະສົມ. ແມ່ນແລ້ວ, ໃນ benchmarks ຂອງພວກເຮົາ, ຮູບແບບ ProtoBind-Diff ມີປະສິດທິພາບດີກວ່າຮູບແບບໂຄງສ້າງ 3D ທີ່ມີຢູ່ແລ້ວບາງອັນ,” Konstantin Avchaciov, Ph.D., ນັກຄົ້ນຄວ້າອາວຸໂສທີ່ Gero ແລະ ຫົວໜ້ານັກວິທະຍາສາດທີ່ຢູ່ເບື້ອງຫຼັງໂຄງການກ່າວ. “ເຖິງຢ່າງໃດກໍຕາມ, ຂ້າພະເຈົ້າໝັ້ນໃຈວ່າເມື່ອພວກເຮົາສືບຕໍ່ຂະຫຍາຍຊຸດຂໍ້ມູນຂອງພວກເຮົາໃຫ້ລວມເອົາຄວາມຫຼາກຫຼາຍຂອງ classes ໂປຣຕີນທີ່ກວ້າງຂຶ້ນ, ພວກເຮົາຈະບັນລຸຜົນໄດ້ຮັບທີ່ດີຂຶ້ນຢ່າງຫຼວງຫຼາຍໃນອະນາຄົດ.”

ການເປີດຕົວ ProtoBind-Diff ສອດຄ່ອງກັບຄວາມສົນໃຈທີ່ເພີ່ມຂຶ້ນໃນວິທີການຄົ້ນພົບຢາທີ່ກ່ຽວຂ້ອງກັບມະນຸດ, ໂດຍບໍ່ອີງໃສ່ໂຄງສ້າງ, ໂດຍສະເພາະໃນຂົງເຂດຕ່າງໆເຊັ່ນ: ການຮັບມືກັບພະຍາດລະບາດ, ເປົ້າໝາຍພະຍາດທີ່ຖືກລະເລີຍ, ແລະ ໂປຣຕີນທີ່ມີພາກສ່ວນທີ່ບໍ່ເປັນລະບຽບຮຽບຮ້ອຍ.

Gero ໄດ້ລວມເອົາ ProtoBind-Diff ເຂົ້າໃນລະບົບການຄົ້ນພົບພາຍໃນຂອງຕົນ ແລະ ກໍາລັງຊອກຫາຄູ່ຮ່ວມງານຢ່າງຈິງຈັງເພື່ອໃຊ້ຮູບແບບດັ່ງກ່າວໃນໂຄງການຮ່ວມມືຕ່າງໆໃນຂົງເຂດ oncology, immunology, infectious disease, ແລະ ສະພາບທີ່ກ່ຽວຂ້ອງກັບການສູງອາຍຸ.

ກ່ຽວກັບ Gero
Gero ແມ່ນບໍລິສັດຊີວະເຕັກໂນໂລຊີທີ່ກ້າວໜ້າດ້ານການປິ່ນປົວໃໝ່ສໍາລັບພະຍາດທີ່ກ່ຽວຂ້ອງກັບອາຍຸ ແລະ ອາຍຸຍືນ. ບໍລິສັດໄດ້ລວມເອົາຊຸດຂໍ້ມູນທາງຊີວະພາບທີ່ເປັນກໍາມະສິດກັບຮູບແບບທີ່ຂັບເຄື່ອນດ້ວຍ AI ເພື່ອເຂົ້າໃຈ ແລະ ຊະລໍຂະບວນການສູງອາຍຸ ແລະ ສຸດທ້າຍແມ່ນເພື່ອຂະຫຍາຍອາຍຸການມີສຸຂະພາບດີຂອງມະນຸດ. Gero ຍັງຮ່ວມມືກັບ Pfizer ເພື່ອພັດທະນາການປິ່ນປົວພະຍາດ fibrotic ເຊິ່ງເປັນສ່ວນໜຶ່ງຂອງພາລະກິດທີ່ກວ້າງຂວາງກວ່າຂອງຕົນໃນການແກ້ໄຂສາເຫດຮາກຖານຂອງການສູງອາຍຸ. ເພື່ອຮຽນຮູ້ເພີ່ມເຕີມ, ເຂົ້າເບິ່ງ .

ການຕິດຕໍ່ສື່ມວນຊົນ
Kimberly Ha
KKH Advisors
917-291-5744