Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

La técnica innovadora podía ayudar a predecir las acciones recíprocas de una proteína con otras proteínas

Las proteínas son los bloques huecos de la vida y desempeñan un papel dominante en todos los procesos biológicos. La comprensión de cómo obran recíprocamente con su ambiente es por lo tanto vital a desarrollar la terapéutica efectiva y el asiento para diseñar las células artificiales.

Los investigadores en el laboratorio del diseño y de Immunoengineering (LPDI) de la proteína, la parte del instituto de EPFL de la bioingeniería en la escuela de la ingeniería, funcionamiento con los colaboradores en USI-Lugano, universidad imperial y, el gráfico de Twitter aprendiendo la división de investigación han desarrollado una técnica aprender-impulsada máquina innovadora para predecir estas acciones recíprocas y describir la actividad bioquímica de una proteína basada en el aspecto superficial solamente. Además de profundizar nuestra comprensión de cómo funcionan las proteínas, el método - conocido como MaSIF - podría también soportar el revelado de los componentes a base de proteínas para las células artificiales de mañana. Las personas publicaron sus conclusión en los métodos de la naturaleza del gorrón.

investigación Dato-impulsada

Los investigadores tomaron un equipo extenso de datos de la superficie de la proteína e introdujeron las propiedades químicas y geométricas en un algoritmo de máquina-aprendizaje, entrenándole para igualar estas propiedades con las configuraciones de comportamiento determinadas y la actividad bioquímica. Entonces utilizaron los datos restantes para probar el algoritmo. “Explorando la superficie de una proteína, nuestro método puede definir una huella dactilar, que se puede entonces comparar a través de las proteínas,” dice a Pablo Gainza, el primer autor del estudio.

Las personas encontraron que las proteínas que realizan acciones recíprocas similares comparten “huellas dactilares comunes.”

El algoritmo puede analizar mil millones de superficies de la proteína por segundo. Nuestra investigación tiene implicaciones importantes para el diseño artificial de la proteína, permitiendo que programemos una proteína para comportarse cierta manera simplemente alterando su substancia química superficial y propiedades geométricas.

Director Bruno Correia de LPDI

El método, publicado en formato de fuente abierta, se podía también utilizar para analizar la estructura superficial de otros tipos de moléculas.

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