Mejorar las propiedades estructurales de las proteínas a través de la optimización de la secuencia guiada por el modelo | JoVE Visualize

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.