[ad_1]
Investigadores de Washington han utilizado algoritmos de aprendizaje automático entrenados para predecir formas de proteínas y ayudar a crear nuevas formas de proteínas
![](https://www.electronicsforu.com/wp-contents/uploads/2022/09/Capture-1-500x379.png)
Las proteínas son muy importantes para el buen funcionamiento de todos los seres vivos. Hasta ahora, se han entrenado de manera eficiente potentes algoritmos de aprendizaje automático, incluidos AlphaFold y RoseTTAFold, para predecir las formas detalladas de las proteínas naturales en función de sus secuencias de aminoácidos. Sin embargo, debido a su complejidad estructural, no ha habido avances en el diseño de estas proteínas. Ahora, tres artículos en la revista Science describen una revolución en el diseño de proteínas, el aprendizaje automático se puede utilizar para diseñar moléculas de proteínas de manera mucho más eficiente y rápida de lo que era posible anteriormente. Esta investigación proporcionará soluciones a problemas de larga data en medicina, energía y tecnología.
«Las redes neuronales son fáciles de entrenar cuando tienes toneladas de datos, pero con las proteínas no tenemos tantos ejemplos como nos gustaría. Tuvimos que entrar y determinar qué características de estas moléculas son las más importantes. Ha sido un viaje de prueba y error», dijo el científico del proyecto Justas Dauparas, investigador del Instituto de Diseño de Proteínas.
Para superar la investigación sobre el desarrollo de proteínas de origen natural, David Baker, profesor de bioquímica en la Facultad de Medicina de la Universidad de Washington y ganador del Premio Breakthrough en Ciencias de la Vida 2021, y su equipo dividieron la tarea del diseño de proteínas en tres partes. Primero, para crear una nueva forma de proteína, el equipo reveló que la inteligencia artificial puede producir nuevas formas de proteínas de dos maneras, «alucinación» y «pintura». En segundo lugar, el equipo desarrolló un nuevo algoritmo para acelerar el proceso de generación de secuencias de aminoácidos, denominado herramienta de software ProteinMPNN. En tercer lugar, el equipo usó AlphaFold, una herramienta desarrollada por DeepMind de Alphabet, para analizar si la secuencia de aminoácidos que diseñaron se pliega o no en la forma deseada. «ProteinMPNN es como AlphaFold para la predicción de la estructura de proteínas», agregó Baker.
«Descubrimos que las proteínas derivadas de ProteinMPNN tienen muchas más probabilidades de plegarse según lo previsto, y podemos crear ensamblajes de proteínas muy complejos utilizando estos métodos», dijo el científico del proyecto Basil Wicky, investigador asociado del Instituto de Diseño de Proteínas.
“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.
Haga clic aquí para ver el trabajo de investigación publicado
[ad_2]