Video Experimental Relacionado
Updated: Jan 7, 2026
A Method for Selecting Structure-switching Aptamers Applied to a Colorimetric Gold Nanoparticle Assay
Published on: February 28, 2015
El aprendizaje profundo mejorado por estructura acelera la selección de aptámeros para familias de moléculas pequeñas
Zibin Zhao1, Haosi Lin1, Hoi Ying Lau1
1Department of Chemical and Biological Engineering, The Hong Kong University of Science and Technology, Clear Water Bay, Kowloon, Hong Kong SAR 999077, China.
SELEX asistido por aprendizaje profundo (DL-SELEX) acelera el descubrimiento de aptámeros utilizando autoencoders variacionales (VAEs) para diseñar bibliotecas iniciales y analizar resultados. Este novedoso método mejora significativamente la afinidad de los aptámeros y reduce los pasos de selección para moléculas pequeñas desafiantes.
Área de la Ciencia:
- Biotecnología
- Biología Computacional
- Biología Molecular
Sus antecedentes:
- La Evolución Sistemática de Ligandos por Enriquecimiento EXponencial (SELEX) es crucial para descubrir aptámeros de alta afinidad.
- El diseño de bibliotecas iniciales de aptámeros y la navegación por vastos espacios de secuencias son desafíos clave en SELEX.
- Los métodos SELEX actuales enfrentan limitaciones en eficiencia y diseño racional para aptámeros de moléculas pequeñas.
Objetivo del estudio:
- Presentar SELEX asistido por aprendizaje profundo (DL-SELEX), un marco novedoso para mejorar el descubrimiento de aptámeros de moléculas pequeñas.
- Integrar el aprendizaje profundo para el diseño racional de bibliotecas iniciales de aptámeros y refinar los procesos de selección.
- Demostrar la generalización de DL-SELEX para objetivos estructuralmente similares.
Principales métodos:
- Se desarrolló un marco de dos pasos, DL-SELEX, que utiliza autoencoders variacionales (VAEs).
- Se empleó AptaVAE para la generación de grupos de aptámeros iniciales personalizados utilizando aprendizaje por transferencia.
- Se utilizó AptaClux para identificar aptámeros de alto rendimiento a partir de datos de secuenciación de próxima generación capturando características estructurales de consenso.
Principales resultados:
- DL-SELEX produjo aptámeros con una afinidad hasta 450 veces mayor por la hidrocortisona y la testosterona.
- Redujo el número de iteraciones de SELEX hasta en un 80%.
- Demostró que los modelos de aprendizaje profundo pueden entrenarse en las comonalidades estructurales para el diseño de aptámeros.
Conclusiones:
- DL-SELEX ofrece una estrategia eficaz y generalizable para optimizar el descubrimiento de aptámeros.
- Este enfoque permite el diseño de novo de aptámeros de alta afinidad para moléculas pequeñas desafiantes.
- La integración del aprendizaje profundo avanza significativamente los flujos de trabajo de SELEX para la selección de aptámeros de moléculas pequeñas.
