Aprendizaje automático ayuda a la clasificación y discriminación de los motivos de plegado de ADN no canónicos por un...

Área de la Ciencia:

• Biofísica y Química
• Biología molecular
• Química analítica

Sus antecedentes:

• Las estructuras de ADN no canónicas, como los cuádruplexos G, juegan un papel crucial en los procesos biológicos.
• Distinguir entre los pliegues de ADN sutilmente diferentes es un desafío, pero es esencial para comprender sus funciones.
• Es necesario desarrollar métodos selectivos y de alto rendimiento para el análisis de la estructura del ADN.

Objetivo del estudio:

• Desarrollar un sistema de sensores de fluorescencia capaz de discriminar y clasificar diversas estructuras de ADN no canónicas.
• Investigar el mecanismo de formación del complejo huésped-invitado con ADN y su efecto en la emisión de fluorescencia.
• Aplicar el aprendizaje automático para la predicción precisa de los estados de plegamiento del ADN utilizando datos de sensores.

Principales métodos:

• Diseño e implementación de un sistema de sensores de fluorescencia de anfitrión y huésped.
• Utilizando el reconocimiento molecular selectivo para la diferenciación de estructuras de ADN.
• Formación de complejos heteroternarios entre el huésped, el huésped y el ADN.
• Modulación de la emisión de colorantes por las interacciones del ADN huésped-invitado.
• Aplicación de algoritmos de aprendizaje automático para analizar los datos de detección de fluorescencia.

Principales resultados:

• El sistema de sensores demostró una alta selectividad, distinguiendo entre los cuádruplexos G nativos y los con protuberancias o vacíos.
• Las moléculas huésped y huésped formaron complejos heteroternarios con ADN, mediando la modulación de fluorescencia.
• Los algoritmos de aprendizaje automático lograron una predicción de alta fidelidad de estados de plegado de ADN desconocidos a partir de datos de detección.

Conclusiones:

• El sistema de sensores de fluorescencia huésped: huésped ofrece una poderosa herramienta para discriminar y clasificar estructuras de ADN no canónicas.
• La integración del aprendizaje automático con la detección de fluorescencia permite una predicción precisa del plegamiento del ADN.
• Este enfoque tiene un potencial significativo para el avance de la investigación en biología estructural y diagnóstico molecular.