Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

Os algoritmos de aprendizagem da máquina aceleram o processo da engenharia da proteína

As proteínas são as máquinas moleculars de todas as pilhas vivas e foram exploradas para o uso em muitas aplicações, incluindo a terapêutica e catalizadores industriais. Para superar as limitações de proteínas naturais, a engenharia da proteína é usada para melhorar características da proteína tais como a estabilidade e a funcionalidade. Em um estudo novo, os pesquisadores demonstram um algoritmo de aprendizagem da máquina que acelere o processo da engenharia da proteína. O estudo é relatado nas comunicações da natureza do jornal.

Os algoritmos de aprendizagem da máquina ajudam na engenharia da proteína reduzindo a carga experimental dos métodos tais como a evolução dirigida, que envolve círculos múltiplos da selecção da mutagênese e da alto-produção. Trabalham simulando e prevendo a aptidão de todas as seqüências possíveis da proteína do alvo após a formação em bases de dados da seqüência da proteína.

Embora muitos algoritmos de aprendizagem da máquina existam, poucos deles incorporados a história evolucionária da proteína do alvo. Isto é o lugar aonde a ECNET (rede neural contexto-integrada evolucionária), um algoritmo deaprendizagem, entra.

“Com ECNET, nós podemos olhar a proteína do alvo e todos seus homólogos para ver que resíduos são acoplados junto e são conseqüentemente importantes para essa proteína particular,” disse o professor de Steven L. Miller Cadeira de Huimin de planejamento químico e biomolecular Zhao (DEB leader/CABBI/CGD/GSE/MMG), também director (NSF) do instituto National Science Foundation-financiado do laboratório do fabricante da molécula. “Nós então combinamos essa informação e usamos a estrutura de aprendizagem profunda para figurar para fora que tipo das mutações é importante para a função da proteína do alvo.”

Em um estudo da marca de nível, os pesquisadores mostraram a ECNET que outperforming métodos actuais em diversos conjunto de dados profundos da mutagênese. Como uma continuação, a ECNET foi usada para projectar o β-lactamase TEM-1 -; uma enzima que confira resistência aos antibióticos da β-lactana -; e identifique as variações que tinham melhorado a aptidão e, eram conseqüentemente mais resistente à ampicilina.

Além disso, a ECNET deu a prioridade a mutantes de ordem superior e novos na análise. Tendo uma ferramenta computacional que pudesse com sucesso prever que as interacções de ordem superior podem reduzir esforços experimentais, disse Zhao.

Nós estamos combinando todas as proteínas na base de dados com a história evolucionária específica da proteína do alvo para melhorar a eficiência da previsão. Nós podemos então usar os mutantes que nós geramos de nossas experiências para melhorar e treinar mais o modelo. Este algoritmo é ainda uns trabalhos em curso, mas é uma melhoria total no que é sabido já na literatura.”

Huimin Zhao

Zhao disse que os pesquisadores estão usando actualmente a ECNET para desenvolver catalizadores das enzimas com selectividades melhoradas.

Este estudo era um esforço conjunto com o professor da informática Jian Peng (CABBI). Outros autores do estudo incluem Yunan Luo, Guangde Jiang, Tianhao Yu, Yang Liu, Vo do Lam, Hantian Ding, Yufeng SU, e Wesley Wei Qian.

Este trabalho foi apoiado pelo Ministério de E.U. de Energia e do NSF.

Source:
Journal reference:

Luo, Y., et al. (2021) ECNet is an evolutionary context-integrated deep learning framework for protein engineering. Nature Communications. doi.org/10.1038/s41467-021-25976-8.