Novo modelo de deep learning supera IA do Google na previsão de estruturas de peptídeos

São PauloPesquisadores da Universidade de Toronto desenvolveram um novo modelo de aprendizado profundo chamado PepFlow. Este modelo é capaz de prever as diferentes formas que os peptídeos podem assumir. Peptídeos são cadeias de aminoácidos mais curtas que as proteínas, mas desempenham funções semelhantes. Eles são altamente flexíveis e podem adotar várias formas distintas.

PepFlow utiliza aprendizado de máquina e princípios da física para compreender o dobramento de peptídeos. Através do deep learning, a ferramenta determina rapidamente e com precisão as formas dos peptídeos em questão de minutos. Esse método inovador pode auxiliar no desenvolvimento de medicamentos, projetando peptídeos que atuam como ligantes.

Aqui estão as principais características do PepFlow:

• Prevê todas as formas possíveis de peptídeos
• Combina aprendizado de máquina com física
• Captura conformações de peptídeos em minutos
• Essencial para o desenvolvimento de medicamentos

A forma tridimensional de um peptídeo é crucial para sua função. O modo como ele se dobra influencia sua interação e funcionamento com outras moléculas. Isso torna os peptídeos essenciais para muitos processos biológicos e aplicações médicas. Por exemplo, análogos de GLP1 como o Ozempic são utilizados no tratamento do diabetes e da obesidade.

PepFlow é especializada em peptídeos, moléculas biológicas essenciais. O novo modelo supera o AlphaFold2 do Google pois consegue gerar múltiplas formas para um único peptídeo, algo que o AlphaFold2 não foi projetado para fazer.

Leia também:

21 de novembro de 2024 · 03:55

Queda das ações asiáticas apesar do sucesso da Nvidia

Professor Philip M. Kim da Universidade de Toronto liderou a pesquisa. Ele explicou que até agora não haviam conseguido estudar toda a gama de formas de peptídeos. Além disso, Kim também leciona ciência da computação na Faculdade de Artes e Ciências da universidade.

PepFlow se destaca graças às suas características tecnológicas únicas. Inspirado por geradores de Boltzmann, que são modelos avançados de aprendizado de máquina baseados em física, o PepFlow consegue modelar estruturas peptídicas que assumem formas incomuns, como estruturas em anel formadas através da macro-ciclização. Esses macrociclos peptídicos têm potencial para o desenvolvimento de novos medicamentos.

PepFlow tem algumas limitações. Sendo a primeira versão, há espaço para melhorias. Os autores sugeriram várias maneiras de aprimorar PepFlow.

• Treinar o modelo com dados explícitos para átomos de solvente
• Aprimorar as restrições na distância entre átomos em estruturas anelares

PepFlow foi projetado para ser facilmente atualizado com novos recursos e informações. O desenvolvimento levou dois anos e meio, e o treinamento durou um mês. Osama Abdin, autor principal do estudo, mencionou que o esforço valeu a pena para criar um modelo capaz de prever mais de uma estrutura.

O estudo foi publicado na revista Nature Machine Intelligence. Este modelo é uma ferramenta útil e eficiente para o desenvolvimento de tratamentos baseados na ligação de peptídeos. Entender os padrões energéticos dos peptídeos fornece informações cruciais sobre sua função e aplicação na medicina.