¿Que es AlphaFold? | La IA que ha resuelto uno de los problemas fundacionales de la biología

#alphafold #alphafold-2 #deepmind
AlphaFold2 explicada en español
En este video vamos a dar una visión general del problema del doblado de proteínas, por qué es importante y veremos los detalles de Alpha Fold 2, la red neuronal de DeepMind que ha "barrido" en la competición científica Critical Assessment of Protein Structure Prediction / CASP-14.
AlphaFold 2 es uno de los avances científicos más importantes de los últimos tiempos. El tener una solución abordable al problema de la determinación de la estructura espacial de las proteínas abre un amplio de abanico de posibilidades: desde la creación de nuevos fármacos hasta la generación de enzimas que puedan procesar la basura industrial.
Sígueme en:
👉twitter: @luisvelasco
👉medium: / velascoluis
👉github: github.com/vel...

[@germantuto6637]

La verdad es que tu contenido vale oro, magnifico trabajo.

[@fullscan]

Gracias German por tu comentario!

[@antoniotorrado972]

Vaya año en avances IA con GPT3 y AlphaFold2 !!! Y qué bueno que nos lo cuentes Luis ! Por favor, sigue ! Felices fiestas !

[@fullscan]

Asi se hara Antonio! Felices fiestas y abrazo fuerte!

[@davidarauco2852]

cuales solo los beneficios de AlphaFold en la biomedica??

[@fullscan]

Echale un ojo a la seccion Why is protein folding important? de este articulo --> deepmind.com/blog/article/AlphaFold-Using-AI-for-scientific-discovery

[@renatolagosalbornoz5172]

Este vídeo es oro puro! que grande

[@fullscan]

Gracias Renato ! :)

[@RobertoBellamy]

Muchas gracias por tu esfuerzo, un abrazo

[@fullscan]

Gracias Roberto por el apoyo!

[@amirfo7543]

Me encanta el canal! Gran trabajo

[@fullscan]

Que bueno! Gracias Amir

[@vanxiriox]

Excelente todo el poder de resolución de problemas que nos permite la tecnología, en especial la IA y ML , espero que sus fines sean utilizados solo para resolver problemas y no para crear nuevos.

[@fullscan]

Desde luego, creo que son necesarias principios como estos --> ai.google/principles/

[@rogeliomaldonado8081]

Excelente explicación, gracias!

[@fullscan]

Me alegro te haya sido util Rogelio! :)

[@osip_1984]

Me pregunto como sería el desempeño si en lugar de aprender la matriz de distancias, se aprendieran directamente los ángulos de torsión que determinan la estructura tridimensional, de esta forma podríamos encapsular todo el proceso dentro de un modelo de machine learning y evitaríamos tener que aplicar el método de descenso de gradientes, que puede tener problemas como lo son el elevado coste computacional y el problema de caer en mínimos locales.

[@fullscan]

Interesante, el paper esta disponible y lo mas importante el codigo es open source! Estan en github . www.biorxiv.org/content/10.1101/846279v1.full.pdf

[@manuelaranda1611]

Hola Luis Buen día, quería hacerte una consulta, tienes algún articulo, ejemplo o algo donde se explique como se deben presentar u ordenar los datos para Machine Learning, si queremos predecir el ganador de una carrera de Atletismo, o una carrera de ciclismo, F1, etc.. donde en la carrera participen mínimo 3 competidores?

[@fullscan]

Hola Manuel, has visto este video --> kzbin.info/www/bejne/b5KwdaZ5d8SanM0 ?

[@manuelaranda1611]

@@fullscan no lo habia visto, muchas gracias.

[@egoadastra]

Muy bien explicado!

[@fullscan]

Gracias Fer!!! Abrazo tío!

[@alejrandom6592]

El werever explicando IA 🥰

[@armandomo-cerm3325]

Es super gracioso en hecho que evita por todos los medios emplear las palabras folding y plegamiento, seguramente para enfatizar la reveldia española sobre lo anglosajón, empleando entonces la palabra "doblado" de proteinas (me doy por ignorante, jamás lo había escuchado). Sin embargo, no repara en decir "features", siendo que esta palabra casi no se emplea en el lenguaje cientifico en habla hispana, usa tenemos "caracteristicas" y punto. Que curioso como nos encanta en España llevar la contraria y hacer enrevesado lo que es sencillo.

[@8loco846]

Alfajor?

[@StuartGrahamV]

¡Me gusta el Alfajor 2!

[@adrian.marino]

Excelente explicación! Gracias!

[@fullscan]

Muchas gracias por el apoyo Adrian!