Mejora de la predicción de la estructura de las proteínas utilizando potenciales de aprendizaje profundo

Área de la Ciencia:

• Biología computacional
• Biología estructural
• La bioinformática

Sus antecedentes:

• La determinación de la estructura de las proteínas es crucial para comprender la función de las proteínas.
• Los métodos experimentales para la determinación de la estructura de las proteínas son difíciles y requieren mucho tiempo.
• El aprovechamiento de la información genética, como la covarianza de secuencias homólogas, ha mejorado la predicción de la estructura.

Objetivo del estudio:

• Desarrollar un nuevo método para la predicción precisa de la estructura de las proteínas.
• Mejorar las técnicas de predicción de la estructura de proteínas existentes utilizando el aprendizaje profundo.

Principales métodos:

• Una red neuronal fue entrenada para predecir distancias entre pares de residuos de aminoácidos.
• Se construyó un potencial de fuerza media utilizando información de distancia predicha.
• Se empleó la optimización de descenso gradiente para generar estructuras de proteínas.

Principales resultados:

• El sistema AlphaFold logró una alta precisión en la predicción de la estructura de las proteínas.
• AlphaFold superó a otros métodos en la Evaluación Crítica de la Predicción de la Estructura de la Proteína (CASP13).
• El método demostró eficacia incluso para secuencias con datos homólogos limitados.

Conclusiones:

• AlphaFold representa un avance significativo en la predicción computacional de la estructura de las proteínas.
• La precisión mejorada facilita la comprensión de la función y el mal funcionamiento de las proteínas.
• Este enfoque es particularmente valioso para las proteínas que carecen de estructuras homólogas determinadas experimentalmente.