人工智能工具不能取代确定蛋白质构造或相互浸染的实验。
相反，他们帮助科学家验证他们的想法，并考试测验更有出息的候选人。
实验和人工智能之间的反馈意味着该领域正在从识别蛋白质上的所有DNA结合位点或结合DNA基序的所有蛋白质转向绘制生物体中蛋白质-DNA相互浸染的完全图景。

这种转变解释了深度学习如何驯服生物学的模糊性。
“这是一个非常强大的工具，可以帮助我们进行理解生物学所需的模式识别，并将其变成一门工程学科。

对付药物创造来说，这意味着产生比以前可能产生的假设更多。
Nilsson说，“我们对生物学采纳了广泛、公道的不雅观点，而不是特定蛋白质或基因的功能。
递归将蛋白质组学与转录组学、表型组学、细胞形态学和转录组学等模态的数据相结合，并利用机器学习对其进行剖析。

研究所有可能的蛋白质-DNA相互浸染可能会深入理解这些相互浸染如何与不同疾病的细胞机制以及非编码基因组的浸染干系联。
不可成药的蛋白质组一贯是药物开拓的紧张瓶颈。
“这意味着蛋白质组中有些地方存在我们不知道的结合位点，”Nilsson说，这个机会是“利用机器学习和大规模干系的数据集来检讨什么是随意马虎处理的。

预测药物在蛋白质组中所有可能的相互浸染可以帮助研究职员预测脱靶相互浸染。
此外，蛋白质-DNA相互浸染常常受到它们周围其他配体存在的影响。
预测生物分子相互浸染是提高蛋白质设计成功率的关键。

除了蛋白质构造预测外，人工智能还通过简化事情流程来实现数据驱动的蛋白质组学。
例如，在Recursion，科学家们利用大型措辞模型来探索他们正在构建的生物学舆图，以及与内部数据集、模型和数据集的接口。

‍ 03更好的工程生物学模型

预测蛋白质-DNA预测的运用超出了药物开拓的范围。
例如，对这些相互浸染有更深入的理解将使得设计基于蛋白质的材料和合成基因回路变得更随意马虎。
迄今为止，合成基因回路紧张基于转录掌握。
能够从头开始设计蛋白质并在多构造域蛋白质中实现可编程逻辑，将许可定制具有翻译掌握的基因回路。

然而，研究职员仍旧须要肃清基于人工智能的蛋白质-DNA预测工具的一些局限性。
纵然人工智能模型精确预测了蛋白质构造，它们也可能缺点地判断附着在它们上面的生物分子的取向或手性，在其他时候，他们可能会产生问题，而这些构造并不存在。
此外，这些模型无法捕捉到蛋白质构造随韶光或不同细胞环境中的变革。

随着越来越多的蛋白质构造可用，无论是来自高通量实验还是改进的蛋白质构造预测软件，都将有更多的数据来演习算法。
因此，这些模型的预测能力将得到提高。
“你演习这些模型的数据越多独特和多样化，基因组阐明或预测任务的能力就越好，”Kelleher说。