Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

La tecnica approfondita ha potuto contribuire a predire le interazioni di una proteina con altre proteine

Le proteine sono le particelle elementari di vita e svolgono un ruolo chiave in tutti i trattamenti biologici. La comprensione come interagiscono con il loro ambiente è quindi vitale a sviluppare l'efficace terapeutica e le fondamenta per la progettazione delle celle artificiali.

I ricercatori al laboratorio di struttura delle proteine & di Immunoengineering (LPDI), la parte dell'istituto di EPFL della bioingegneria al banco di assistenza tecnica, funzionamento con i collaboratori a USI-Lugano, istituto universitario imperiale e, il grafico di Twitter imparanti la divisione di ricerca hanno sviluppato da una tecnica guidata imparare a macchina approfondita per la predizione delle queste interazioni e la descrizione dell'attività biochimica di una proteina basata sull'aspetto di superficie da solo. Oltre ad approfondire la nostra comprensione di come le proteine funzionano, il metodo - conosciuto come MaSIF - potrebbe anche supportare lo sviluppo delle componenti a base di proteine per le celle artificiali di domani. Il gruppo ha pubblicato i sui risultati nei metodi della natura del giornale.

da ricerca guidata da dati

I ricercatori hanno catturato un vasto insieme dei dati della superficie della proteina ed hanno inserito i beni chimici e geometrici in un algoritmo di apprendimento automatico, preparante lo per abbinare questi beni con i reticoli di comportamento particolari e l'attività biochimica. Poi hanno usato i dati restanti per verificare l'algoritmo. “Scandendo la superficie di una proteina, il nostro metodo può definire un'impronta digitale, che può poi essere confrontata attraverso le proteine,„ dice Pablo Gainza, il primo autore dello studio.

Il gruppo ha trovato che le proteine che eseguono le simili interazioni dividono “le impronte digitali comuni.„

L'algoritmo può analizzare miliardi di superfici della proteina al secondo. La nostra ricerca ha implicazioni significative per struttura delle proteine artificiale, permettendo che noi programmiamo una proteina per comportarsi un determinato modo soltanto alterando il sui prodotto chimico di superficie e beni geometrici.

Direttore Bruno Correia di LPDI

Il metodo, pubblicato nel formato di open source, ha potuto anche essere usato per analizzare la struttura di superficie di altri tipi di molecole.

Source:
Journal reference:

Gainza, P. et al. (2019) Deciphering interaction fingerprints from protein molecular surfaces using geometric deep learning. Nature Methods. doi.org/10.1038/s41592-019-0666-6