Desenvolvendo modelos de aprendizado de máquina que podem analisar informações de proteínas coletadas de bancos de dados
Todos nós nos perguntamos o quão fácil é o processo,como a evolução pode levar a um material de alto desempenho como a proteína. Descobrimos que os dados do genoma continham uma riqueza de informações sobre as regras básicas da estrutura e função das proteínas, e agora éramos capazes de criar as regras da natureza para criarmos nós mesmos as proteínas.
Rama Ranganathan, Professor do Departamento de Bioquímica e Biologia Molecular, Pritzker Engenharia Molecular
As proteínas são compostas por centenas ou milhares de aminoácidos, eessas sequências de aminoácidos determinam a estrutura e função da proteína. Mas descobrir como criar essas sequências para criar novas proteínas não foi fácil. Trabalhos anteriores levaram a métodos que podem definir a estrutura, mas o recurso era mais elusivo.
Nos últimos 15 anos, Ranganathan e sua equipeperceberam que os bancos de dados do genoma, que estão crescendo exponencialmente, contêm uma riqueza de informações sobre as regras básicas da estrutura e função das proteínas. Seu grupo desenvolveu modelos matemáticos com base nesses dados e, em seguida, começou a usar técnicas de aprendizado de máquina para descobrir novas informações sobre as regras básicas para o projeto de proteínas.
Para este estudo, eles estudaram a famíliaenzimas metabólicas chorismate mutase, um tipo de proteína essencial para a vida de muitas bactérias, fungos e plantas. Usando modelos de aprendizado de máquina, os pesquisadores foram capazes de identificar regras simples para projetar essas proteínas.
O modelo mostra que só economizando emAs posições e correlações de aminoácidos na evolução dos pares de aminoácidos são suficientes para prever novas sequências artificiais que terão as propriedades de uma família de proteínas.
Geralmente assumimos que paraPara construir algo, primeiro você deve entender profundamente como funciona. Mas se você tiver dados de exemplo suficientes, poderá usar técnicas de aprendizado profundo para aprender regras de design, mesmo que entenda como funcionam ou por que foram construídos dessa maneira.
Rama Ranganathan, professor do Departamento de Bioquímica e Biologia Molecular, Pritzker Molecular Engineering
Então ele e seus colaboradores criaram sintéticosgenes para codificar proteínas, clonaram-nas em bactérias e observaram as bactérias produzirem proteínas sintéticas usando seu mecanismo celular normal. Eles descobriram que as proteínas artificiais têm a mesma função catalítica que as proteínas mutase corismato que ocorrem naturalmente.
Como as regras de design são tão simples, a quantidade de proteínas artificiais que os pesquisadores podem criar é enorme.
Embora a inteligência artificial tenha revelado as regrasdesign, Ranganathan e sua equipe ainda não entendem completamente por que os modelos funcionam. Os cientistas trabalharão para entender como os modelos chegaram a esse estado.
Ao mesmo tempo, eles também esperam usar esteuma plataforma para o desenvolvimento de proteínas que podem abordar questões sociais urgentes, como as mudanças climáticas. Ranganathan e Assoc. O professor Andrew Ferguson fundou a Evozyne, que comercializará essa tecnologia em energia, meio ambiente, catálise e agricultura.
Leia também
Veja o mapa 3D do Universo: ele foi compilado por 20 anos e já surpreendeu os cientistas
Acontece que o coronavírus impede que as células o reconheçam
Na região de Omsk, arqueólogos encontraram ossos e armas com 12 mil anos de idade