Grafica: Esta estructura de proteína retorcida es una de las cientos “soñadas” por un algoritmo de aprendizaje automático. Crédito: Ian C. Haydon/UW Medicine Institute for Protein Design.
Redes neuronales que“alucinan” estructuras proteicas
2 de diciembre de 2021 | Historia original de la Facultad de Medicina de la Universidad de Washington
Así como se pueden crear imágenes convincentes de gatos utilizando inteligencia artificial, ahora se pueden hacer nuevas proteínas utilizando herramientas similares. En un informe en Nature,los investigadores describen el desarrollo de una red neuronal que "alucina" proteínas con estructuras nuevas y estables.
Las proteínas, que son moléculas en forma de cuerda que se encuentran en cada célula, se pliegan espontáneamente en intrincadas formas tridimensionales.
Estas formas plegadas son claves para casi todos los procesos biológicos, incluido el desarrollo celular, la reparación del ADN y el metabolismo. Pero esta complejidad de las formas de las proteínas las hace difíciles de estudiar. Los bioquímicos a menudo usan computadoras para predecir cómo las cadenas de proteínas, o secuencias, podrían plegarse. En los últimos años, el aprendizaje profundo ha revolucionado la precisión de este trabajo.
"Para este proyecto, inventamos secuencias de proteínas completamente aleatorias e introdujimos mutaciones en ellas hasta que nuestra red neuronal predijo que se plegarían en estructuras estables", dijo el coautor principal Ivan Anishchenko, quien es instructor interino de bioquímica en la Facultad de Medicina de la Universidad de Washington e investigador en el laboratorio de David Baker en el Instituto de Medicina de la Universidad de Washington para el Diseño de Proteínas.
“En ningún momento guiamos el software hacia un resultado particular", dijo Anishchenko, "Estas nuevas proteínas son lo que una computadora sueña”.
En el futuro, el equipo cree que debería ser posible dirigir la inteligencia artificial para que genere nuevas proteínas con características útiles.
"Nos gustaría usar el aprendizaje profundo para diseñar proteínas con función, incluidos medicamentos basados en proteínas, enzimas, lo que sea", dijo el coautor principal Sam Pellock, un académico postdoctoral en el laboratorio Baker.
El equipo de investigación, que incluyó a científicos de UW Medicine, la Universidad de Harvard y el Instituto Politécnico Rensselaer (RPI), generó dos mil nuevas secuencias de proteínas que se predijo que tenían probabilidades de plegamiento. Más de 100 de estas fueron sintetizadas en el laboratorio y estudiados. El análisis detallado de tres de estas proteínas confirmó que las formas predichas por la computadora se lograron reproducir en el laboratorio.
“Nuestros estudios de RMN [resonancia magnética nuclear], junto con las estructuras cristalinas de rayos X determinadas por el equipo de la Universidad de Washington, demuestran la notable precisión de los diseños de proteínas creados por el enfoque de alucinación”, dijo la coautora Theresa Ramelot, científica investigadora principal de RPI en Troy, Nueva York.
Gaetano Montelione,uno de los coautores, profesor de química y biología química en RPI, señaló. “El enfoque de alucinación se basa en observaciones que hicimos junto con el laboratorio de Baker que revelan que la predicción de la estructura de proteínas con aprendizaje profundo puede ser bastante precisa incluso para una sola secuencia de proteínas sin parientes naturales. El potencial para alucinar nuevas proteínas que se unen a biomoléculas particulares o forman sitios activos enzimáticos deseados es muy emocionante”.
“Este enfoque simplifica en gran medida el diseño de proteínas”, dijo el autor principal David Baker, profesor de bioquímica en la Facultad de Medicina de la Universidad de La Universidad de Nueva Ángeles que recibió el Premio Breakthrough 2021 en Ciencias de la Vida. “Antes, para crear una proteína con una forma particularnueva, las personas primero estudiaban cuidadosamente las estructuras relacionadas en la naturaleza para llegar a un conjunto de reglas que luego se aplicaban en el proceso de diseño. Se necesitaban nuevos conjuntos de reglas para cada nuevo tipo de pliegue. Aquí, mediante el uso de una red de aprendizaje profundo que ya captura los principios generales de la estructura de las proteínas, eliminamos la necesidad de reglas específicas del pliegue y abrimos la posibilidad de centrarnos directamentesólo en las partes funcionales de una proteína ".
“Explorar cómo utilizar mejor esta estrategia para aplicaciones específicas es ahora un área activa de investigación, y aquí es donde espero los próximos avances”, dijo Baker.
Referencia
Anishchenko I, Pellock SJ, Chidyausiku TM, et al. De novo protein design by deep network hallucination. Nat. 2021. doi:10.1038/s41586-021-04184-w.
Este artículo ha sido republicado a partir de los siguientes materiales. Nota: el material puede haber sido editado por su longitud y contenido. Para obtener más información, ver la fuente citada.
