Cómo el Aprendizaje Profundo en el Diseño Computacional de Proteínas Conduce a un Mejor Desarrollo de Fármacos
- El aprendizaje profundo mejora el diseño de proteínas, lo que conduce a un aumento diez veces mayor en las tasas de éxito para la unión al objetivo.
- La pipeline aumentada por IA con el supercomputador Frontera muestra promesa para el desarrollo de fármacos contra enfermedades como el cáncer y la COVID-19.
- El vasto espacio de búsqueda de proteínas plantea un desafío computacional, pero el aprendizaje profundo acelera significativamente el proceso.
En un estudio innovador publicado en mayo de 2023 en la revista Nature Communications, investigadores del Instituto de Diseño de Proteínas de la Universidad de Washington y del Instituto Médico Howard Hughes demostraron la aplicación exitosa de métodos de aprendizaje profundo para mejorar el diseño computacional de proteínas. Al complementar los modelos físicos basados en energía existentes, los investigadores lograron un aumento notable de diez veces en las tasas de éxito para unir una proteína diseñada con su proteína objetivo. Este avance abre nuevas posibilidades en el desarrollo de fármacos, especialmente en el diseño de tratamientos más efectivos contra enfermedades como el cáncer y el COVID-19.
Comprender el desafío del espacio de búsqueda de proteínas
Las proteínas, especialmente aquellas relacionadas con enfermedades, desempeñan un papel crucial en la investigación médica. Sin embargo, su enorme complejidad presenta un desafío significativo. Por ejemplo, una proteína típica estudiada en el laboratorio está compuesta por 65 aminoácidos, y con 20 opciones diferentes de aminoácidos en cada posición, hay 65 elevado a la potencia de 20 combinaciones de unión, superando el número estimado de átomos en el universo. Este vasto espacio de búsqueda hace que los métodos tradicionales de diseño de proteínas sean computacionalmente inviables.
El papel del aprendizaje profundo
El aprendizaje profundo, un subconjunto de la inteligencia artificial, utiliza algoritmos informáticos para analizar patrones en los datos y extraer características de nivel superior a partir de la entrada cruda. En este estudio, los investigadores utilizaron el aprendizaje profundo para aprender transformaciones iterativas de secuencias y estructuras de proteínas, convergiendo rápidamente en modelos altamente precisos. Al incorporar métodos de aprendizaje profundo, el equipo evaluó la calidad de las interfaces donde se formaban enlaces de hidrógeno e interacciones hidrofóbicas, en lugar de intentar enumerar individualmente todas las energías.
El protocolo de diseño de ligandos de novo de proteínas aumentado con aprendizaje profundo
Los investigadores desarrollaron una canalización aumentada con IA para el diseño de proteínas que integró herramientas de aprendizaje profundo como AlphaFold 2 y RoseTTA fold. Emplearon la potente supercomputadora Frontera, financiada por la National Science Foundation, para paralelizar las trayectorias de diseño de proteínas, aumentando significativamente la eficiencia computacional. El programa de acoplamiento RifDock generó millones de 'acoplamientos' de proteínas que representan interacciones entre estructuras de proteínas potencialmente unidas. Estos acoplamientos se dividieron luego en fragmentos más pequeños y se asignaron a los nodos de cómputo de Frontera para su procesamiento.
Mejora de la eficiencia computacional
El equipo también utilizó la herramienta de software ProteinMPNN, desarrollada por el Institute for Protein Design, lo que aumentó la eficiencia computacional de la generación de secuencias de proteínas utilizando redes neuronales en más de 200 veces en comparación con los métodos anteriores.
Validación de datos y experimental
Los datos de modelado utilizados en el estudio se derivaron de datos de unión mediante visualización en superficie de levadura recopilados por el Institute for Protein Design. Al combinar diferentes hebras de ADN con levadura, los investigadores expresaron varias proteínas diseñadas en la superficie de la célula de levadura, lo que les permitió clasificar las células según sus capacidades de unión. La tasa de éxito de las estructuras diseñadas para unirse a su proteína diana se verificó experimentalmente y mostró un aumento de diez veces.
Aunque los resultados del estudio demostraron un progreso significativo, los investigadores reconocen que aún queda mucho trabajo por hacer. Su objetivo es aumentar aún más la tasa de éxito, especialmente al tratar con dianas más desafiantes como virus y receptores de células T del cáncer. Para lograrlo, planean optimizar sus herramientas de software y explorar estrategias de muestreo aumentado.
La integración exitosa de métodos de aprendizaje profundo en el diseño computacional de proteínas ofrece una vía prometedora para revolucionar el desarrollo de fármacos. Al aprovechar las tecnologías de IA y supercomputadoras potentes como Frontera, los investigadores han desbloqueado nuevas posibilidades para comprender las proteínas y diseñar fármacos más efectivos contra enfermedades como el cáncer y el COVID-19. A medida que continúan los avances en IA, el futuro promete un potencial aún mayor para transformar el campo de la medicina y salvar innumerables vidas con tratamientos mejorados.
No te limites a leer noticias sobre criptomonedas. Entiéndelas. Suscríbete a nuestro boletín. Es gratis.
Aviso de responsabilidad. La información proporcionada no es un consejo de trading. Cryptopolitan.com no asumimos responsabilidad alguna por las inversiones realizadas basándose en la información proporcionada en esta página. Recomendamos encarecidamente realizar investigaciones independientes y/o consultar con un profesional calificado antes de tomar cualquier decisión de inversión.
Editah Patrick
Editah es una analista fintech versátil con un profundo conocimiento de los dominios blockchain. Tanto si la tecnología la fascina, encuentra fascinante la intersección entre tecnología y finanzas. Su interés particular en las billeteras digitales y blockchain beneficia a su audiencia.
