[ad_1]
(Noticias de Nanowerk) En los últimos dos años, el aprendizaje automático ha revolucionado la predicción de la estructura de proteínas. Ahora tres papeles en Ciencias describen una revolución similar en el diseño de proteínas.
En el nuevo trabajo, los biólogos de la Facultad de Medicina de la Universidad de Washington muestran que el aprendizaje automático se puede utilizar para hacer moléculas de proteínas con mucha más precisión y rapidez que antes. Los científicos esperan que este avance conduzca a muchas vacunas, tratamientos, herramientas de captura de carbono y biomateriales sostenibles nuevos.
«Las proteínas son fundamentales para toda la biología, pero sabemos que todas las proteínas que se encuentran en cada planta, animal y microbio representan mucho menos del uno por ciento de lo que es posible. Con estas nuevas herramientas de software, los investigadores deberían poder encontrar soluciones a los desafíos de larga data en medicina, energía y tecnología», dijo el autor principal David Baker, profesor de bioquímica en la Facultad de Medicina de la Universidad de Washington y ganador de un premio Breakthrough Award 2021. ciencias
![proteína](https://www.nanowerk.com/news2/biotech/id61470_1.jpg)
A menudo se hace referencia a las proteínas como los «bloques de construcción de la vida» porque son esenciales para la estructura y función de todos los seres vivos. Están involucrados en prácticamente todos los procesos que ocurren en las células, incluido el crecimiento, la división y la reparación. Las proteínas están formadas por largas cadenas de sustancias químicas llamadas aminoácidos. La secuencia de aminoácidos en una proteína determina su forma tridimensional. Esta forma complicada es crucial para la función de la proteína.
Recientemente, se han entrenado poderosos algoritmos de aprendizaje automático, incluidos AlphaFold y RoseTTAFold, para predecir las formas detalladas de las proteínas naturales basándose únicamente en sus secuencias de aminoácidos. El aprendizaje automático es un tipo de inteligencia artificial que permite que las computadoras aprendan de los datos sin ser programadas explícitamente. El aprendizaje automático se puede utilizar para modelar problemas científicos complejos que son demasiado difíciles de entender para los humanos.
Para ir más allá de las proteínas que se encuentran en la naturaleza, los miembros del equipo de Baker dividieron el desafío del diseño de proteínas en tres partes y utilizaron nuevas soluciones de software para cada una.
Primero, se debe generar una nueva forma de proteína. En un artículo publicado en la revista el 21 de julio Ciencias («Andamiaje de sitios funcionales de proteínas usando aprendizaje profundo»), el equipo demostró que la inteligencia artificial puede generar nuevas formas de proteínas de dos maneras.
![AI alucinó anillos simétricos](https://www.nanowerk.com/news2/biotech/id61470_2.jpg)
La primera, denominada «alucinación», es similar a DALL-E u otras herramientas generativas de inteligencia artificial que generan resultados basados en indicaciones simples. El segundo, llamado «Inpainting», es análogo a la función de autocompletar que se encuentra en las barras de búsqueda modernas.
En segundo lugar, para acelerar el proceso, el equipo desarrolló un nuevo algoritmo para generar secuencias de aminoácidos. Descrito en la edición del 15 de septiembre de Ciencias («Diseño robusto de secuencias de proteínas basado en aprendizaje profundo usando ProteinMPNN»), esta herramienta de software llamada ProteinMPNN se ejecuta en aproximadamente un segundo. Eso es más de 200 veces más rápido que el mejor software hasta la fecha. Los resultados son superiores a las herramientas anteriores y el software no requiere personalización experta para ejecutarse.
«Las redes neuronales son fáciles de entrenar cuando tienes muchos datos, pero con las proteínas no tenemos tantos ejemplos como nos gustaría. Tuvimos que entrar e identificar qué características son las más importantes en estas moléculas. Fue un poco de prueba y error», dijo el científico del proyecto Justas Dauparas, becario postdoctoral en el Instituto para el Diseño de Proteínas.
En tercer lugar, el equipo utilizó AlphaFold, una herramienta desarrollada por DeepMind de Alphabet, para evaluar de forma independiente si las secuencias de aminoácidos que diseñaron tenían probabilidades de plegarse en las formas previstas.
«El software para predecir estructuras de proteínas es parte de la solución, pero no puede producir nada nuevo por sí solo», explica Dauparas.
«ProteinMPNN es para el diseño de proteínas lo que AlphaFold fue para la predicción de la estructura de proteínas», agregó Baker.
En otro periódico que aparece en Ciencias El 15 de septiembre («Disposiciones alucinantes de proteínas simétricas»), un equipo del laboratorio de Baker confirmó que la combinación de nuevas herramientas de aprendizaje automático podría generar de forma fiable nuevas proteínas que funcionen en el laboratorio.
![Detalle de una proteína diseñada con ProteinMPNN.](https://www.nanowerk.com/news2/biotech/id61470_3.jpg)
«Descubrimos que las proteínas hechas con ProteinMPNN tienen muchas más probabilidades de plegarse según lo previsto, y pudimos hacer ensamblajes de proteínas muy complejos usando estos métodos», dijo el científico del proyecto Basile Wicky, becario postdoctoral en el Instituto de Diseño de Proteínas.
Entre las proteínas recién creadas había anillos a nanoescala, que los investigadores creen que podrían convertirse en partes de nanomáquinas personalizadas. Los anillos, que tienen un diámetro mil millones de veces más pequeño que una semilla de amapola, se han observado utilizando microscopios electrónicos.
“Este es el comienzo del aprendizaje automático en el diseño de proteínas. En los próximos meses, trabajaremos para mejorar estas herramientas para crear proteínas aún más dinámicas y funcionales», dijo Baker.
[ad_2]