Nuevo modelo de deep learning predice estructuras de péptidos mejor que Google IA

MadridInvestigadores de la Universidad de Toronto han desarrollado un nuevo modelo de aprendizaje profundo llamado PepFlow. Este modelo es capaz de predecir las diferentes formas que pueden adoptar los péptidos. Los péptidos son cadenas de aminoácidos más cortas que las proteínas pero con funciones similares. Son altamente flexibles y pueden adoptar múltiples configuraciones.

PepFlow utiliza aprendizaje automático y principios de la física para comprender cómo se pliegan los péptidos. Emplea aprendizaje profundo para determinar de manera rápida y precisa las formas de los péptidos en cuestión de minutos. Este nuevo método podría ser fundamental en el desarrollo de medicamentos, permitiendo diseñar péptidos que actúen como ligadores.

Algunas características destacadas de PepFlow incluyen:

• Predice todas las posibles formas de los péptidos
• Combina el aprendizaje automático con la física
• Tarda solo unos minutos en capturar las conformaciones de péptidos
• Valioso en el desarrollo de medicamentos

La forma tridimensional de un péptido es crucial para su función. La manera en que se pliega influye en cómo se enlaza y actúa con otras moléculas. Esto hace que los péptidos sean esenciales para muchos procesos biológicos y medicamentos. Por ejemplo, análagos de GLP1 como Ozempic se utilizan para tratar la diabetes y la obesidad.

PepFlow se especializa en péptidos, moléculas biológicas clave. Su nuevo modelo supera a AlphaFold2 de Google, ya que es capaz de crear múltiples estructuras para un solo péptido, algo que AlphaFold2 no fue diseñado para hacer.

Lea también:

Ayer · 3:55

A pesar de las ganancias de Nvidia, caen las acciones asiáticas.

El profesor Philip M. Kim de la Universidad de Toronto dirigió la investigación. Explicó que hasta ahora no habían podido estudiar toda la gama de formas de péptidos. Kim también imparte clases de informática en la Facultad de Artes y Ciencias de la universidad.

PepFlow destaca por sus características tecnológicas únicas. Toma ideas de generadores de Boltzmann, que son modelos avanzados de aprendizaje automático basados en la física. PepFlow puede modelar estructuras de péptidos que adoptan formas inusuales, como estructuras en forma de anillo creadas mediante macrociclación. Estos macrociclos de péptidos tienen potencial para el desarrollo de nuevos medicamentos.

PepFlow tiene algunas limitaciones. Al ser la primera versión, tiene margen para mejoras. Los autores han mencionado varias formas de hacer PepFlow mejor.

• Entrenar el modelo con datos específicos de átomos de solventes
• Mejorar las restricciones en la distancia entre átomos en estructuras anulares

PepFlow está diseñado para ser fácilmente ampliable con nuevas características e información. Su desarrollo tomó dos años y medio, y su entrenamiento solo un mes. Osama Abdin, el autor principal del estudio, destacó que el esfuerzo valió la pena para crear un modelo capaz de predecir más de una estructura.

El estudio fue publicado en Nature Machine Intelligence. Este modelo es una herramienta útil y eficiente que podría ayudar a desarrollar tratamientos basados en la unión de péptidos. Conocer los patrones energéticos de los péptidos proporciona información crucial sobre su función y cómo pueden ser utilizados en la medicina.