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.

Los algoritmos de aprendizaje de máquina aceleran el proceso de la ingeniería de la proteína

Las proteínas son las máquinas moleculares de todas las células vivas y se han explotado para el uso en muchos usos, incluyendo la terapéutica y los catalizadores industriales. Para vencer las limitaciones de proteínas naturales, la ingeniería de la proteína se utiliza para perfeccionar características de la proteína tales como estabilidad y funciones. En un nuevo estudio, los investigadores demuestran un algoritmo de aprendizaje de máquina que acelere el proceso de la ingeniería de la proteína. El estudio se denuncia en las comunicaciones de la naturaleza del gorrón.

Los algoritmos de aprendizaje de máquina ayudan a la ingeniería de la proteína reduciendo la carga experimental de métodos tales como evolución dirigida, que implica cartuchos múltiples de la investigación de la mutagénesis y de la alto-producción. Trabajan simulando y prediciendo la aptitud física de todas las series posibles de la proteína del objetivo después de ser entrenado en bases de datos de la serie de la proteína.

Aunque existan muchos algoritmos de aprendizaje de máquina, pocos de ellos incorporados la historia evolutiva de la proteína del objetivo. Aquí es adonde entra la ECNET (red neuronal contexto-integrada evolutiva), un algoritmo de profundo-aprendizaje.

“Con la ECNET, podemos observar la proteína del objetivo y todos sus homólogos para ver qué residuos se acoplan juntos y son por lo tanto importantes para esa proteína determinada,” dijo al profesor de Steven L. Miller Chair de Huimin que dirigía químico y biomolecular Zhao (DEB leader/CABBI/CGD/GSE/MMG), también director (NSF) del instituto National Science Foundation-financiado del laboratorio del fabricante de la molécula. “Después combinamos esa información y utilizamos el marco de aprendizaje profundo para imaginar qué clase de mutaciones son importantes para la función de la proteína del objetivo.”

En un estudio de la prueba patrón, los investigadores mostraron a la ECNET que superaba métodos actuales en varios grupos de datos profundos de la mutagénesis. Como continuación, utilizaron a la ECNET para dirigir el β-lactamase TEM-1 -; una enzima que consulta resistencia a los antibióticos de la β-lactama -; y determine las variantes que habían perfeccionado aptitud física y por lo tanto, eran más resistente a la ampicilina.

Además, la ECNET dio prioridad a mutantes más de categoría alta y nuevos en el análisis. Teniendo una herramienta de cómputo que puede predecir con éxito que acciones recíprocas más de categoría alta pueden reducir esfuerzos experimentales, dijo a Zhao.

Estamos combinando todas las proteínas en la base de datos con la historia evolutiva específica de la proteína del objetivo para perfeccionar la eficiencia de la predicción. Podemos entonces utilizar los mutantes que generamos de nuestros experimentos más lejos para perfeccionar y para entrenar al modelo. Este algoritmo sigue siendo obras en fase de creación, pero es una mejoría total en qué se sabe ya en la literatura.”

Huimin Zhao

Zhao dijo que los investigadores están utilizando actualmente a la ECNET para desarrollar los catalizadores de las enzimas con selectividades perfeccionadas.

Este estudio era un esfuerzo conjunto con el profesor de Jian de informática Peng (CABBI). Otros autores del estudio incluyen Yunan Luo, Guangde Jiang, Tianhao Yu, Yang Liu, el Vo de la fuga, el tilín de Hantian, Yufeng Su, y a Wesley Wei Qian.

Este trabajo fue soportado por el Ministerio de los E.E.U.U. de Energía y 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.