Sistemas de inteligencia artificial descubren planos para proteínas artificiales

Un equipo de investigadores de la Escuela de Ingeniería Molecular Pritzker (PME) de la Universidad de Chicago ha logrado recientemente la creación de un sistema de inteligencia artificial que puede crear proteínas artificiales completamente nuevas analizando grandes cantidades de datos.

Las proteínas son macromoléculas esenciales para la construcción de tejidos en seres vivos y son fundamentales para la vida de las células en general. Las proteínas se utilizan como catalizadores químicos para hacer que ocurran diversas reacciones químicas y para realizar tareas complejas. Si los científicos pueden descubrir cómo ingeniar proteínas artificiales de manera fiable, podría abrir la puerta a nuevos métodos de captura de carbono, nuevas formas de cosechar energía y nuevos tratamientos para enfermedades. Las proteínas artificiales tienen el poder de alterar dramáticamente el mundo en el que vivimos. Según un informe de EurekaAlert, un reciente avance de los investigadores de la PME de la Universidad de Chicago ha acercado a los científicos a esos objetivos. Los investigadores de la PME utilizaron algoritmos de aprendizaje automático para desarrollar un sistema capaz de generar formas de proteínas nuevas.

El equipo de investigación creó modelos de aprendizaje automático entrenados con datos obtenidos de diversas bases de datos genómicas. A medida que los modelos aprendían, comenzaron a distinguir patrones subyacentes comunes, reglas de diseño simples, que permiten la creación de proteínas artificiales. Al sintetizar las proteínas correspondientes en el laboratorio, los investigadores encontraron que las proteínas artificiales creadas producían reacciones químicas que eran aproximadamente tan efectivas como las impulsadas por proteínas que ocurren de forma natural.

Según el profesor Joseph Regenstein de la PME de la Universidad de Chicago, Rama Ranganathan, el equipo de investigación encontró que los datos del genoma contienen una gran cantidad de información sobre las funciones y estructuras básicas de las proteínas. Al utilizar el aprendizaje automático para reconocer estas estructuras comunes, los investigadores pudieron “capturar las reglas de la naturaleza para crear proteínas nosotros mismos”.

Los investigadores se centraron en enzimas metabólicas para este estudio, específicamente en una familia de proteínas llamada mutasa de corismato. Esta familia de proteínas es necesaria para la vida en una amplia variedad de plantas, hongos y bacterias.

Ranganathan y sus colaboradores se dieron cuenta de que las bases de datos del genoma contenían conocimientos que solo esperaban ser descubiertos por los científicos, pero que los métodos tradicionales para determinar las reglas sobre la estructura y función de las proteínas solo habían tenido un éxito limitado. El equipo se propuso diseñar modelos de aprendizaje automático capaces de revelar estas reglas de diseño. Los hallazgos del modelo implican que se pueden crear nuevas secuencias artificiales conservando las posiciones y correlaciones de los aminoácidos en la evolución de los pares de aminoácidos.

El equipo de investigadores creó genes sintéticos que codificaban secuencias de aminoácidos que producían estas proteínas. Clonaron bacterias con estos genes sintéticos y encontraron que las bacterias utilizaban las proteínas sintéticas en su maquinaria celular, funcionando casi exactamente como las proteínas regulares.

Según Ranganathan, las reglas simples que su inteligencia artificial distinguió pueden utilizarse para crear proteínas artificiales de una complejidad y variedad increíbles. Como Ranganathan explicó a EurekaAlert:

“Las limitaciones son mucho menores de lo que imaginábamos. Hay una simplicidad en las reglas de diseño de la naturaleza, y creemos que enfoques similares podrían ayudarnos a buscar modelos de diseño en otros sistemas complejos de biología, como ecosistemas o el cerebro”.

Ranganathan y sus colaboradores desean tomar sus modelos y generalizarlos, creando una plataforma que los científicos puedan utilizar para comprender mejor cómo se construyen las proteínas y qué efectos tienen. Esperan utilizar sus sistemas de inteligencia artificial para permitir que otros científicos descubran proteínas que puedan abordar problemas importantes como el cambio climático. Ranganathan y el profesor asociado Andrew Ferguson han creado una empresa llamada Evozyne, que tiene como objetivo comercializar la tecnología y promover su uso en campos como la agricultura, la energía y el medio ambiente.

Comprender las similitudes entre las proteínas y las relaciones entre la estructura y la función también podría ayudar en la creación de nuevos medicamentos y formas de terapia. Aunque el plegamiento de proteínas ha sido considerado durante mucho tiempo como un problema increíblemente difícil para los ordenadores, las ideas de modelos como el producido por el equipo de Ranganathan podrían ayudar a aumentar la velocidad a la que se producen estos cálculos, facilitando la creación de nuevos medicamentos basados en estas proteínas. Se podrían desarrollar medicamentos que bloqueen la creación de proteínas dentro de los virus, lo que podría ayudar en el tratamiento de incluso virus nuevos como el coronavirus Covid-19.

Ranganathan y el resto del equipo de investigación aún necesitan comprender cómo y por qué sus modelos funcionan y cómo producen planos de proteínas confiables. El próximo objetivo del equipo de investigación es comprender mejor qué atributos los modelos están teniendo en cuenta para llegar a sus conclusiones.