Los científicos desenredan cómo la red neuronal inteligente predice las funciones de proteínas

Los compañeros virtuales inteligentes tienen gusto de Alexa, Siri, y la ayudante de Google ha hecho de largo integrada en nuestras vidas cotidianas. Y los programas de cómputo inteligentes, supuestos algoritmos, también se han desarrollado como herramienta integral en la investigación científica.

Las enormes cantidades de datos generados en la investigación de las ciencias de la vida se pueden examinar eficientemente para las configuraciones que se repiten con el socorro de algoritmos. Ciertos programas pueden observar las estructuras que se repiten en moléculas de proteína grandes y después utilizar esta información para extraer conclusiones sobre qué tareas celulares realizan estas moléculas - por ejemplo, si funcionan como los interruptores del gen, los motores moleculares, o las moléculas de la transmisión de señales. Las predicciones hechas por tales algoritmos en base de las series de la proteína - que consisten en una serie de bloques huecos de la proteína atados juntos como un collar de la perla - son increíblemente exactas ahora.

Sin embargo, una desventaja importante de técnicas anteriores es que mantienen a los utilizadores totalmente la oscuridad en cuanto a porqué el algoritmo destina una función determinada a ciertas series de la proteína. El conocimiento exacto de la computador sobre las proteínas no está directamente disponible, a pesar de que tal conocimiento podría probar inestimable en el avance de la investigación y desarrollo de nuevos agentes.

Personas del estudiante, llevadas en común por Roland Eils e Irina Lehmann del instituto de Berlín de la salud (BIH) y Charité - Universitätsmedizin Berlín, en colaboración con Domingo Niopek del instituto de la farmacia y de la biotecnología molecular (IPMB) en la universidad de Heidelberg, equipo sí mismo la meta de abrir este conocimiento de la computador. Comenzó a trabajar en este tema en 2017, y ha desarrollado un algoritmo llamado “DeeProtein,” una red neuronal completa e inteligente que puede predecir las funciones de las proteínas basadas en la serie de los bloques huecos de la proteína individual, los aminoácidos. Como la mayoría de los algoritmos de aprendizaje, DeeProtein es una “caja negra,” que significa cómo ella trabaja sigue siendo un misterio a los programadores así como a los utilizadores. Pero los estudiantes ahora han utilizado un “truco” para desenredar el secreto de esta red.

Los científicos jovenes comenzados desarrollando una manera figurado de observar sobre el hombro del programa como hace su trabajo.

En el análisis de sensibilidad sucesivamente encubrimos cada posición en la serie de la proteína y permitimos a DeeProtein calcular, o predecir bastante, la función de la proteína de esta información incompleta.”  

Zu Belzen de Julio Upmeier

Él es un estudiante en el programa del capitán en biotecnología molecular en el IPMB y el autor importante del papel, que acaba de ser publicado en la inteligencia de máquina de la naturaleza del gorrón.

Damos a DeeProtein la información completa de la serie y comparamos después los dos equipos de predicciones. De esta manera calculamos, para cada posición en la serie de la proteína, cómo es importante esta posición es para predecir la función correcta. Esto significa que damos cada posición o aminoácido en la cadena de la proteína un valor de la sensibilidad para la función de la proteína.”

Zu Belzen de Julio Upmeier

Los científicos entonces utilizan la nueva técnica analítica para determinar las regiones de las proteínas que son vitales a su función. Esta técnica trabaja para hacer señales las proteínas que desempeñan un papel durante carcinogénesis también para la herramienta gen-que corrige CRISPR-Cas9, que se ha probado ya en un gran número de estudios preclínicos y clínicos. “El análisis de sensibilidad nos permite determinar las regiones de la proteína que toleran cambios bien o no tan bien,” dice a Domingo Niopek. “Esto es un primer paso importante si queremos realizar cambios apuntados a las proteínas, para equiparlas de nuevas funciones o “apagar” propiedades indeseables.”

Con este trabajo mostramos que no sólo pueden las predicciones de las redes neuronales ser útiles, pero que podemos también ahora utilizar por primera vez este conocimiento implícito para los extremos prácticos.

Roland Eils

Esta aproximación es relevante para muchas entregas en biología molecular y remedio.

Si, por ejemplo, queremos desarrollar las drogas apuntadas o las terapias génicas, nosotros necesitan saber exactamente dónde enfocar nuestra atención, DeeProtein puede ahora ayudarnos a hacer eso.”

Roland Eils

Fuente:

Für Gesundheitsforschung de Institut del berlinés/instituto de Berlín de la salud

Referencia del gorrón:

2019) conocimientos implícitos Leveraging de Eils, del R. y otros (en las redes neuronales para la disección funcional y el dirigir de proteínas. Inteligencia de máquina de la naturaleza. doi.org/10.1038/s42256-019-0049-9.