На информационном ресурсе применяются рекомендательные технологии (информационные технологии предоставления информации на основе сбора, систематизации и анализа сведений, относящихся к предпочтениям пользователей сети "Интернет", находящихся на территории Российской Федерации)

Газета.ру

8 717 подписчиков

Свежие комментарии

  • Лидия Кузина
    Если человек не стесняется обнажаться в общественном пространстве,то он либо сам уже не человек, либо просто не счит...Невеста футболист...
  • Инсаф Калимуллин
    Ни чего похудеют, научатся отдых в своей стране цинить. Сами себе этот геморрой на задницу выбрали.В аэропорту Дубая...
  • Александр Данилов
    Кто там отдыхает, у них денег полно. Почему не снимут номер в отеле???Shot: в ОАЭ турис...

PRL: машинное обучение помогло открыть молекулярные банки

Группа ученых из Гарвардского университета использовала машинное обучение, чтобы создать молекулу, которая может "открывать" клетки и освобождать молекулы, находящиеся внутри. Работа опубликована в журнале Physical Review Letters (PRL).

Исследователи создали уникальную молекулу, способную разрушать защитные оболочки, состоящие из коллоидных частиц, окружающих определенные молекулы.

Эти оболочки напоминают те, что вирусы используют для защиты своей ДНК от внешних угроз, представляя собой структуры, образованные 12 связанными частицами.

Молекула, получившая название "паук-открывалка", имеет форму, напоминающую паука. Она состоит из кольца, образованного пятью угловатыми частицами, и центральной головки, которая может взаимодействовать с частицами оболочки и высвобождать молекулы внутри. Ученым удалось настроить параметры "паука-открывалки" таким образом, чтобы она эффективно разрушала оболочку, не повреждая другие части структуры.

Особенность метода заключается в использовании так называемых дифференцируемых молекулярных динамик — техники, которая моделирует движение частиц, взаимодействующих друг с другом. Вместо того, чтобы вручную проверять все возможные параметры молекулы, команда использовала машинное обучение, чтобы автоматически минимизировать функцию потерь, которая учитывает напряжение между разрушением оболочки и сохранением целостности оставшихся структур. Кроме того, исследователи выяснили, что использование гибкой молекулы с асимметричными "ногами" требует гораздо меньше энергии для разрушения оболочки, чем изначальная симметричная версия.

По мнению ученых, методы машинного обучения, использованные в этом исследовании, могут быть применены для создания молекул с заданными характеристиками для лечения различных заболеваний.

 

Ссылка на первоисточник
наверх