El algoritmo de aprendizaje profundo tiene como objetivo acelerar la ingeniería de proteínas

Las proteínas son las máquinas moleculares de todas las células vivas y se han explotado para su uso en muchas aplicaciones, incluidas terapias industriales y catalizadores. Para superar las limitaciones de las proteínas de origen natural, se utiliza la ingeniería de proteínas para mejorar las propiedades de las proteínas, como la estabilidad y la función. En un nuevo estudio, los investigadores demuestran un algoritmo de aprendizaje automático que acelera el proceso de ingeniería de proteínas. El estudio fue publicado en la revista Conexiones con la naturaleza.

Los algoritmos de aprendizaje automático ayudan en Ingeniería de proteínas Al reducir la carga experimental de métodos como la evolución dirigida, que incluye múltiples rondas de mutación y Proyección de alto impacto. Funcionan simulando y prediciendo el ajuste de todas las posibles secuencias de proteína objetivo Después de entrenarlo proteína Secuencia de bases de datos.

Aunque existen muchos algoritmos de aprendizaje automático, pocos incluyen la historia evolutiva de la proteína objetivo. Aquí es donde ECNet (contexto evolutivo integrado red neuronal), a algoritmo de aprendizaje profundo, Ingresar.

dijo Stephen L. Miller, profesor presidente de Huimin Zhao de Ingeniería Química y Biológica Molecular (Líder de BSD / CABBI / CGD / GSE / MMG), quien también es director del Instituto de Laboratorio de Moléculas, financiado por la NSF. Luego, recopilamos esta información y usamos un marco de aprendizaje profundo para descubrir qué tipo de mutaciones son importantes para la función de la proteína objetivo.

En un estudio de referencia, los investigadores demostraron la superioridad de ECNet sobre los métodos existentes en varios conjuntos de datos de mutaciones profundas. Como seguimiento, se utilizó ECNet para diseñar TEM-1 β-lactamasa, una enzima que confiere resistencia a los antibióticos β-lactámicos, y para identificar variantes que mejoraron la aptitud y, por lo tanto, fueron más resistentes a la ampicilina.

Además, ECNet priorizó las mutaciones nuevas y de alto nivel en el análisis. Tener una herramienta computacional que pueda predecir con éxito interacciones de alto nivel puede reducir los esfuerzos experimentales, dijo Zhao.

«Combinamos todas las proteínas de la base de datos con el historial evolutivo específico de la proteína objetivo para mejorar la eficiencia de la predicción», dijo Zhao. “Luego podemos usar los mutantes que creamos a partir de nuestros experimentos para mejorar y entrenar el modelo. algoritmo Todavía es un trabajo en progreso, pero es una mejora integral de lo que ya se conoce en la literatura ”.

Zhao dijo que los investigadores están utilizando actualmente ECNet para desarrollar catalizadores de enzimas con selectividad mejorada.

Este estudio fue un esfuerzo conjunto con el profesor de ciencias de la computación Jianping (CABBI). Otros autores del estudio son Yunnan Lu, Guangd Jiang, Tianhao Yu, Yang Liu, Lam Fu, Hantian Ding, Yufeng Su y Wesley Wei Qian.