Este artículo se basa en resultados de investigación que aún no han sido revisados por pares. Por lo tanto, los resultados se consideran preliminares y deben interpretarse como tales. Más información sobre el papel del proceso de revisión por pares en la investigación aquí. Para obtener más información, comuníquese con la fuente citada.
Comprender la formación de complejos proteicos es crucial en el diseño de fármacos y el desarrollo de proteínas terapéuticas como los anticuerpos. Sin embargo, las proteínas pueden unirse entre sí en millones de combinaciones diferentes y las soluciones de anclaje actuales utilizadas para predecir estas interacciones pueden ser muy lentas. Se necesitan soluciones más rápidas y precisas para agilizar el proceso.
En un preimpresión Publicado a principios de este año, se introdujo un nuevo modelo de aprendizaje automático, EquiDock, que puede predecir rápidamente cómo interactuarán dos proteínas. A diferencia de otros enfoques, el modelo no se basa en un gran muestreo de candidatos y se ha demostrado que logra predicciones entre 80 y 500 veces más rápido que el popular software de adaptación.
Para obtener más información sobre EquiDock y cómo los métodos de inteligencia artificial (IA) están avanzando en el campo de la proteómica estructural, redes de tecnología habló con el coautor principal del artículo, Octavian-Eugen GaneaInvestigador postdoctoral en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT.
Molly Campbell (MC): Para nuestros lectores que quizás no estén familiarizados, ¿puede describir su enfoque de investigación actual en proteómica?
Octavio Ganea (OG): Mi investigación utiliza IA (específicamente, aprendizaje profundo) para modelar aspectos de moléculas que son importantes en diversas aplicaciones, como el descubrimiento de fármacos.
Las proteínas están involucradas en la mayoría de los procesos biológicos de nuestro cuerpo. Dos o más proteínas con diferentes funciones interactúan y forman máquinas más grandes, es decir, complejos. También se unen a moléculas más pequeñas, como las que se encuentran en los medicamentos. Estos procesos alteran las funciones biológicas de las proteínas individuales; por ejemplo, un fármaco ideal inhibiría una proteína cancerígena uniéndose a partes específicas de su superficie. Estoy interesado en utilizar el aprendizaje profundo para modelar estas interacciones y ayudar y acelerar la investigación para químicos y biólogos al proporcionar herramientas computacionales mejores y más rápidas.
MC: Cómo los métodos basados en IA están avanzando en el campo de la proteómica y específicamente la proteómica estructural?
VAMOS: Los procesos biológicos son inherentemente muy complicados y tienen sus propios misterios, incluso para los expertos en el campo. Por ejemplo, para comprender cómo las proteínas que interactúan se unen entre sí, los humanos o las computadoras deben experimentar con todas las combinaciones de unión posibles para encontrar la más plausible. Intuitivamente, al tener dos objetos tridimensionales con superficies muy irregulares, uno tiene que rotarlos y tratar de encajarlos de todas las formas posibles hasta encontrar dos regiones complementarias en ambas superficies que coinciden muy bien en términos de sus patrones geométricos y químicos. Este es un proceso que requiere mucho tiempo tanto para los enfoques manuales como computacionales. Además, los biólogos están interesados en descubrir nuevas interacciones en un conjunto muy amplio de proteínas, como el proteoma humano de aproximadamente 20.000. Esto es importante, por ejemplo, para descubrir automáticamente efectos secundarios inesperados de nuevos tratamientos. Tal problema ahora se vuelve similar a un rompecabezas 3D extremadamente grande, donde tienes que escanear simultáneamente las piezas para encontrar las que coinciden, así como comprender cómo surge cada accesorio único al probar todas las combinaciones y rotaciones posibles.
MC: ¿Puede explicar cómo creó EquiDock?
VAMOS: EquiDock toma las estructuras 3D de dos proteínas e identifica directamente qué áreas pueden interactuar, lo que de otro modo sería un problema complicado incluso para un especialista en biología. Descubrir esta información es suficiente para comprender cómo rotar y orientar las dos proteínas en sus posiciones unidas. EquiDock aprende a capturar patrones de acoplamiento complejos a partir de un gran conjunto de aproximadamente 41 000 estructuras de proteínas utilizando un modelo restringido geométricamente con miles de parámetros que se ajustan dinámica y automáticamente hasta que hacen el trabajo correctamente.
MC: ¿Cuáles son las aplicaciones potenciales de EquiDock?
VAMOS: Como ya se mencionó, EquiDock puede permitir un escaneo computacional rápido de los efectos secundarios de los medicamentos. Esto va junto con la detección virtual a gran escala de fármacos y otros tipos de moléculas (por ejemplo, anticuerpos, nanocuerpos, péptidos). Esto es necesario para reducir significativamente un espacio de búsqueda astronómica que de otro modo sería inviable para todas nuestras capacidades experimentales actuales (incluso agregadas en todo el mundo). Un método rápido de acoplamiento proteína-proteína como EquiDock combinado con un modelo de predicción de estructura de proteína rápida (como AlphaFold2 desarrollado por DeepMind) ayudaría en el diseño de fármacos, la ingeniería de proteínas, la generación de anticuerpos o la comprensión del mecanismo de acción de un fármaco, entre muchos otros. otras aplicaciones interesantes que se necesitan críticamente en nuestra búsqueda de mejores tratamientos para enfermedades.
Octavian Ganea estaba hablando con Molly Campbell, escritora científica sénior de Technology Networks.
