Marco de aprendizaje automático basado en datos para la regulación de la adsorción de proteínas en superficies

Área de la Ciencia:

• Ciencia de Superficies
• Ingeniería de Biomateriales
• Química Computacional

Sus antecedentes:

• La adsorción de proteínas es compleja, influenciada por factores de proteínas, superficies y ambientales.
• La predicción y el control de la adsorción de proteínas siguen siendo un desafío importante en la ciencia de superficies.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje automático basado en datos para predecir la adsorción de proteínas.
• Evaluar sistemáticamente los determinantes de la adsorción de proteínas y su impacto en el comportamiento de adsorción.

Principales métodos:

• Se utilizó el marco AutoGluon con siete descriptores críticos.
• Se construyeron tres modelos óptimos, y WeightedEnsemble_L2 (WE_L2) mostró un rendimiento superior.
• Se empleó el análisis SHAP para cuantificar las contribuciones de los descriptores y sus efectos sobre la adsorción de proteínas.

Principales resultados:

• El modelo WE_L2 predijo con precisión la adsorción de albúmina sérica bovina (BSA) en superficies de monocapa autoensamblada (SAM).
• El modelo capturó comportamientos complejos de adsorción de albúmina sérica humana (HSA), incluida la formación de bicapas y efectos electrostáticos.
• El análisis SHAP reveló efectos promotores e inhibidores de los descriptores sobre la adsorción de proteínas.

Conclusiones:

• Los modelos de aprendizaje automático interpretables permiten una predicción precisa de las cantidades de adsorción de proteínas.
• Este marco ofrece una herramienta poderosa para regular la adsorción de proteínas interfaciales en aplicaciones de biomateriales.