Mejorar las propiedades estructurales de las proteínas a través de la optimización de la secuencia guiada por el...

Área de la Ciencia:

• Biotecnología
• Biología computacional
• Ingeniería de proteínas

Sus antecedentes:

• La optimización de las proteínas para múltiples funciones (estabilidad, unión, expresión) es compleja y requiere muchos recursos.
• Los métodos tradicionales de ingeniería de proteínas se enfrentan a limitaciones debido a la complejidad estructural y los altos costos.
• El aprendizaje automático (ML) ofrece una vía prometedora para acelerar el diseño y la optimización de proteínas.

Objetivo del estudio:

• Desarrollar y validar una estrategia iterativa guiada por el aprendizaje automático para una ingeniería de proteínas eficiente.
• Mejorar las propiedades de las proteínas, como la estabilidad estructural, la afinidad de unión de ligandos y la complementariedad de formas.
• Reducir la dependencia de caracterización experimental en el diseño de proteínas.

Principales métodos:

• Se empleó un enfoque iterativo guiado por ML para explorar el espacio de secuencia de proteínas.
• Los modelos ML predijeron las propiedades de las proteínas, guiando la selección de secuencias para la validación experimental.
• Un algoritmo genético, dirigido por modelos de aprendizaje automático, identificó secuencias de mutantes óptimas.
• Se utilizaron datos experimentales de secuencias validadas para refinar iterativamente los modelos de ML.

Principales resultados:

• El enfoque guiado por ML identificó con éxito secuencias mutantes con un rendimiento mejorado en comparación con los métodos convencionales.
• El refinamiento iterativo del modelo condujo a una mayor precisión predictiva con cada ciclo.
• Se descubrieron nuevas variantes de la proteína de unión a la glutamina (QBP) con estabilidad y propiedades de unión superiores.
• El método demostró una exploración eficiente del espacio de secuencia para la optimización de proteínas.

Conclusiones:

• La integración de ML y la optimización iterativa proporciona una solución eficiente y escalable para la ingeniería de proteínas.
• Este enfoque acelera el descubrimiento de proteínas con propiedades funcionales a medida.
• El método validado tiene un potencial significativo para el avance de diversas aplicaciones biotecnológicas.