AlphaFold

AlphaFold är en AI-modell för proteinprediktion som utvecklades av DeepMind, ett företag som ägs av Alphabet. Modellen är känd för sin förmåga att prediktera tridimensionella strukturer för proteiner med hög noggrannhet, vilket kan vara användbart för att förstå hur proteiner fungerar och hur de kan användas i olika sammanhang.[1]

AlphaFold används tillsammans med andra metoder för att studera proteiner och deras funktioner, och kan hjälpa till att räkna ut hur proteiner interagerar med varandra och med andra molekyler. Modellen har också väckt uppmärksamhet för sin förmåga att förutsäga tridimensionella strukturer för proteiner med hög noggrannhet, och har använts för att lösa olika biologiska problem och frågeställningar.[2]

AlphaFold är en del av DeepMinds forskningssatsning kring AI, där man utforskar möjligheterna med tekniken och hur den kan användas på olika områden. Målet med forskningen är att bidra till att utveckla AI på ett ansvarsfullt sätt och att hitta sätt att använda tekniken för att lösa viktiga problem och förbättra människors liv.[3]

Referenser

  1. ^ Jumper, John; Evans, Richard; Pritzel, Alexander; Green, Tim; Figurnov, Michael; Ronneberger, Olaf (2021-08). ”Highly accurate protein structure prediction with AlphaFold” (på engelska). Nature 596 (7873): sid. 583–589. doi:10.1038/s41586-021-03819-2. ISSN 1476-4687. https://www.nature.com/articles/s41586-021-03819-2. Läst 3 januari 2023. 
  2. ^ Lewis, Tanya. ”One of the Biggest Problems in Biology Has Finally Been Solved” (på engelska). Scientific American. https://www.scientificamerican.com/article/one-of-the-biggest-problems-in-biology-has-finally-been-solved/. Läst 3 januari 2023. 
  3. ^ Toews, Rob. ”AlphaFold Is The Most Important Achievement In AI—Ever” (på engelska). Forbes. https://www.forbes.com/sites/robtoews/2021/10/03/alphafold-is-the-most-important-achievement-in-ai-ever/. Läst 3 januari 2023. 

Se även

v  r
Differentierbar datoranvändning
General
Differentierbar programmering Neural Turing maskin Differentierbar neural dator Automatisk differentiering Neuromorf ingenjörskonst Cable theory Mönsterigenkänning Beräkningslärandeteori Tensorkalkyl
Begrepp
Gradient descent SGD Klusteranalys Regression Overfitting Adversary Attention Faltning Förlustfunktioner Backpropagation Normalization Activation Softmax Sigmoid Rectifier Regularization Datasets Augmentation
Programmeringsspråk
Python Julia
Applikationer
Maskininlärning Artificiellt neuronnät Djupinlärning Numerisk analys Federerad inlärning Artificiell intelligens
Hårdvara
IPU TPU VPU Memristor SpiNNaker
Mjukvarubibliotek
TensorFlow PyTorch Keras Theano
Implementation
Audiovisuellt
Verbal
Word2vec Transformator BERT NMT Project Debater Watson GPT-2 GPT-3
Beslutande
Alphago AlphaZero Q-learning SARSA OpenAI Five Självkörande bil MuZero Action selection Robot control
Personer
Alex Graves Ian Goodfellow Yoshua Bengio Geoffrey Hinton Yann LeCun Andrew Ng Demis Hassabis David Silver Fei-Fei Li
Organisationer
Deepmind Hi! PARIS Openai MIT CSAIL Mila Google Brain