La inteligencia artificial diseña nuevas proteínas mediante una red neuronal

WASHINGTON, 29 de agosto de 2023 – A través de sus complejas disposiciones y funciones dinámicas, las proteínas realizan una gran cantidad de tareas biológicas utilizando disposiciones únicas de bloques de construcción simples donde la ingeniería es esencial. Traducir esta biblioteca casi ilimitada de disposiciones a sus propias funciones podría permitir a los investigadores diseñar proteínas adaptadas para usos específicos.

En el Journal of Applied Physics, de AIP Publishing, Markus Buehler del MIT combina redes neuronales de atención, a menudo denominadas interruptores, con redes neuronales gráficas para comprender y diseñar mejor las proteínas. Este enfoque combina los puntos fuertes del aprendizaje profundo de la ingeniería con los puntos fuertes de los modelos de lenguaje, no sólo para predecir las propiedades de las proteínas existentes, sino también para visualizar nuevas proteínas que la naturaleza aún no ha ideado.

«Con este nuevo método, podemos aprovechar todo lo que la naturaleza ha inventado como base del conocimiento modelando los principios subyacentes», dijo Buehler. «El modelo reintegra estos componentes naturales para lograr nuevas funciones y resolver este tipo de tareas».

Debido a su estructura compleja, capacidad para realizar múltiples tareas y tendencia a cambiar de forma cuando se descongelan, las proteínas han sido muy difíciles de modelar. El aprendizaje automático ha demostrado la capacidad de traducir las fuerzas a nanoescala que gobiernan el comportamiento de las proteínas en marcos que describen su función. Sin embargo, ir en el otro sentido (transformar la función deseada en una estructura proteica) sigue siendo un desafío.

Para superar este desafío, el modelo de Buehler convierte números, descripciones, tareas y otros elementos en símbolos que utilizan sus redes neuronales.

Primero entrenó su modelo para predecir la secuencia, la solubilidad y los componentes básicos de aminoácidos de diferentes proteínas según sus funciones. Luego le enseñó cómo ser creativo y crear estructuras completamente nuevas después de recibir los parámetros iniciales para la función de la nueva proteína.

Este enfoque le permitió crear versiones sólidas de proteínas antimicrobianas, que previamente debían disolverse en agua. En otro ejemplo, su equipo tomó una proteína de seda natural y la desarrolló en varias formas nuevas, incluida una forma de espiral para mayor flexibilidad o una estructura plisada para mayor durabilidad.

El modelo realizó muchas de las tareas centrales para el diseño de nuevas proteínas, pero Buehler dijo que el enfoque podría incluir más entradas para más tareas, lo que podría hacerlo más robusto.

«El gran elemento sorprendente fue que el modelo funcionó excepcionalmente bien a pesar de que fue desarrollado para poder resolver múltiples tareas. Esto probablemente se debe a que el modelo aprende más al observar las diversas tareas», dijo. «Este cambio significa que, en lugar de crear modelos especializados para tareas específicas, los investigadores ahora pueden pensar de manera amplia en términos de modelos multitarea y multimedia».

La naturaleza amplia de este enfoque significa que este modelo se puede aplicar a muchas áreas fuera del diseño de proteínas.

«Si bien nuestro enfoque actual son las proteínas, este método tiene un enorme potencial en la ciencia de materiales», dijo Buehler. «Estamos particularmente interesados ​​en explorar los comportamientos de falla de los materiales, con el objetivo de diseñar materiales con modos de falla específicos».