Los científicos e ingenieros llevan mucho tiempo interesados en sintetizar péptidos, cadenas de aminoácidos responsables de realizar muchas funciones dentro de las células, para imitar la naturaleza y realizar nuevas actividades. Un péptido diseñado, por ejemplo, podría ser un fármaco funcional que actúaen ciertas áreas del cuerpo sin degradarse, una tarea difícil para muchos péptidos.
Pero los métodos para descubrir y sintetizar péptidos son caros y requieren mucho tiempo, a menudo implican meses o años de conjeturas y fallas.
Los investigadores de la Universidad de Northwestern, en equipo con colaboradores de la Universidad de Cornell y la Universidad de California, San Diego, han desarrollado una nueva forma de encontrar secuencias de péptidos óptimas: utilizando un algoritmo de aprendizaje automático como colaborador.
El algoritmo analiza datos experimentales y ofrece sugerencias sobre la siguiente mejor secuencia para intentar, creando un proceso de selección de ida y vuelta que reduce drásticamente el tiempo necesario para encontrar el péptido óptimo.
Los resultados, que podrían proporcionar un nuevo marco para experimentos a través de la ciencia de los materiales y la química, se publicaron en Comunicaciones de la naturaleza el 7 de diciembre
"Vemos esto como la próxima ola en cómo diseñamos moléculas y materiales", dijo el profesor de Northwestern Nathan Gianneschi, autor correspondiente en el artículo. "Podemos combinar lo que sabemos por intuición con el poder de un algoritmo y encontrar elsolución con menos experimentos "
Gianneschi es profesor de Jacob y Rosaline Cohn en el departamento de química del Colegio de Artes y Ciencias Weinberg de Northwestern y en los departamentos de ciencia e ingeniería de materiales y de ingeniería biomédica en Northwestern Engineering.
Para crear el método, Gianneschi, quien también es director asociado del Instituto Internacional de Nanotecnología de Northwestern, se asoció con Peter Frazier, profesor asociado de Cornell que trabaja en investigación de operaciones y aprendizaje automático, y Michael Burkart, biólogo químico yexperto en enzimología en la Universidad de California en San Diego, para encontrar una mejor manera de producir péptidos que puedan generar biomateriales, específicamente nanoestructuras y microestructuras que puedan modificar proteínas de ciertas maneras. El primer paso fue encontrar los péptidos correctos que actuarían como sustratos enzimáticos paraestas estructuras
Los péptidos se construyen a partir de cadenas de aminoácidos que pueden tener hasta 20 aminoácidos de largo, con 20 posibilidades diferentes para cada ácido. Dado que la secuencia determina la función del péptido, descubrir secuencias óptimas requiere experimentos costosos que a menudo se realizan conjeturas.
Los experimentadores, Gianneschi y Burkart, trabajaron con Frazier durante varios años para desarrollar un sistema que combinara datos experimentales con un algoritmo de aprendizaje automático para encontrar las mejores estrategias para crear nuevos materiales.
Después de que Frazier diseñó el algoritmo y los dos trabajaron juntos para entrenarlo, los experimentadores desarrollaron una serie de 100 péptidos, realizaron experimentos para determinar cuáles funcionaron como debían, y luego introdujeron esa información en el algoritmo. El algoritmo luegorecomendó qué cambiar para la próxima ronda de desarrollo de péptidos, y también recomendó estrategias que pensó que fracasarían.
"Ahora estábamos comenzando a obtener selectividad", dijo Gianneschi. Al completar este proceso varias veces, pudieron concentrarse en péptidos óptimos.
"En lugar de adivinar y observar millones de péptidos, pudimos observar cientos de péptidos y converger muy rápidamente en secuencias que se comportaron de formas completamente nuevas", dijo. En comparación con mutaciones aleatorias o conjeturas, el método del algoritmofue estadísticamente mucho más exitoso.
Aunque este trabajo se centró en los sustratos, este proceso podría usarse para descubrir péptidos para cualquier tipo de propósito, como la administración de medicamentos, y tal vez incluso para descubrir secuencias de ADN también. Debido a que podría descubrirse cualquier tipo de secuencia óptima,Los investigadores tampoco se limitan a las secuencias de aminoácidos que se encuentran en el código genético.
El siguiente paso será automatizar todo el proceso. Gianneschi también está interesado en usar el método para encontrar superficies óptimas para polímeros, específicamente polímeros utilizados en implantes médicos. Encontrar las superficies correctas que se unirán con tejido o músculo podría ayudar a prevenir el tejido cicatricialo rechazo del implante.
"Podría descubrir esencialmente secuencias que hacen cosas específicas, que es realmente el núcleo de lo que hacen los péptidos y los ácidos nucleicos en la naturaleza", dijo. "Esto podría revolucionar la forma en que producimos péptidos".
Fuente de la historia :
Materiales proporcionados por Universidad del Noroeste . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :