El operación de IA resuelve los desafíos de la biología estructural – ScienceDaily

0


Determinar las formas tridimensionales de las moléculas biológicas es uno de los problemas más difíciles de la biología moderna y los descubrimientos médicos. Las empresas y los institutos de investigación a menudo gastan millones de dólares en determinar una estructura molecular, e incluso esos esfuerzos masivos a menudo fracasan.

Utilizando técnicas de aprendizaje automático nuevas e inteligentes, los estudiantes de doctorado de la Universidad de Stanford Stephan Eismann y Raphael Townshend, bajo la dirección de Ron Dror, profesor asociado de informática, han desarrollado un enfoque que supera este problema al predecir estructuras computacionalmente precisas.

En particular, su enfoque también es exitoso cuando se aprende de solo unas pocas estructuras conocidas, lo que lo hace aplicable a los tipos de moléculas cuyas estructuras son más difíciles de determinar experimentalmente.

Su trabajo se demuestra en dos artículos que detallan las aplicaciones de moléculas de ARN y complejos multiproteicos, publicados en Ciencias el 27 de agosto de 2021 y en proteinas en diciembre de 2020, respectivamente. La tarjeta en Ciencias es una colaboración con el laboratorio de Stanford de Rhiju Das, profesor asociado de bioquímica.

«La biología estructural, que es el estudio de las formas de las moléculas, tiene este mantra de que la estructura determina la función», dijo Townshend.

El algoritmo diseñado por los investigadores predice estructuras moleculares precisas y, al hacerlo, puede permitir a los científicos explicar cómo funcionan las diferentes moléculas, con aplicaciones que van desde la investigación biológica fundamental hasta las prácticas informadas de diseño de fármacos.

«Las proteínas son máquinas moleculares que realizan todo tipo de funciones. Para realizar sus funciones, las proteínas a menudo se unen a otras proteínas», dijo Eismann. «Si sabe que un par de proteínas está involucrado en una enfermedad y sabe cómo interactúan en 3D, puede intentar apuntar a esta interacción de manera muy específica con un fármaco».

Eismann y Townshend son coautores principales de la Ciencias artículo con el becario postdoctoral de Stanford Andrew Watkins de Das lab, y también coautor de proteinas tarjeta con el ex estudiante de doctorado de Stanford Nathaniel Thomas.

Diseña el algoritmo

En lugar de especificar qué hace que una predicción estructural sea más o menos precisa, los investigadores dejan que el algoritmo descubra estas características moleculares por sí mismo. Lo hicieron porque encontraron que la técnica convencional de proporcionar dicho conocimiento puede influir en un algoritmo a favor de ciertas características, impidiendo así que encuentre otras características de información.

«El problema con estas características creadas a mano en un algoritmo es que el algoritmo se inclina hacia lo que la persona que elige estas características cree que es importante y es posible que se pierda información que necesita para mejorar», dijo Eismann.

«La red ha aprendido a encontrar conceptos fundamentales que son fundamentales para la formación de la estructura molecular, pero sin que se les diga explícitamente», dijo Townshend. «Lo emocionante es que el algoritmo claramente ha recuperado cosas que sabíamos que eran importantes, pero también recuperó características que no conocíamos antes».

Después de mostrar éxito con las proteínas, los investigadores aplicaron su algoritmo a otra clase de moléculas biológicas importantes, los ARN. Probaron su algoritmo en una serie de «rompecabezas de ARN» de una competencia de larga data en su campo y, en cada caso, la herramienta superó a todos los demás participantes del rompecabezas y lo hizo sin haber sido diseñada específicamente para las estructuras del rompecabezas. ‘ARN .

Aplicaciones más amplias

Los investigadores están emocionados de ver dónde más se puede aplicar su enfoque, ya que ya han tenido éxito con complejos de proteínas y moléculas de ARN.

«La mayoría de los recientes avances dramáticos en el aprendizaje automático han requerido una enorme cantidad de datos para el entrenamiento. El hecho de que este método sea exitoso con muy pocos datos de entrenamiento sugiere que los métodos relacionados podrían abordar problemas no resueltos en muchos campos en los que los datos son escasos». dijo Dror, quien es el autor principal de la proteinas artículo y, con Das, coautor principal de Ciencias papel.

Específicamente para la biología estructural, el equipo dice que solo están rascando la superficie en términos de avances científicos por realizar.

«Una vez que tiene esta tecnología fundamental, está elevando su nivel de comprensión un paso más allá y puede comenzar a hacer el siguiente conjunto de preguntas», dijo Townshend. «Por ejemplo, puede comenzar a diseñar nuevas moléculas y medicamentos con este tipo de información, que es un área que entusiasma mucho a la gente».

También podría gustarte
Deja una respuesta

Su dirección de correo electrónico no será publicada.

This website uses cookies to improve your experience. We'll assume you're ok with this, but you can opt-out if you wish. Accept Read More