RP3Net: un modelo de aprendizaje profundo para predecir la producción de proteínas recombinantes en Escherichia coli

Área de la Ciencia:

• Biotecnología; Biología Computacional; Ingeniería de Proteínas

Sus antecedentes:

• La expresión de proteínas recombinantes es crucial para el descubrimiento de fármacos y la biotecnología.; Los métodos actuales enfrentan limitaciones en la predicción de la eficiencia de la producción de proteínas.; La IA ofrece una solución potencial para optimizar la expresión de proteínas recombinantes.

Objetivo del estudio:

• Desarrollar un modelo de IA para predecir la expresión de proteínas solubles heterólogas a pequeña escala en E. coli.; Aprovechar los avances recientes en modelos fundacionales de proteínas y genómicos.; Mejorar la eficiencia de la producción de reactivos proteicos para aplicaciones biotecnológicas.

Principales métodos:

• Se desarrolló RP3Net (Red de Predicción de Producción de Proteínas Recombinantes), un modelo de IA.; Se utilizaron modelos fundacionales recientes de proteínas y genómicos.; Se entrenó, validó y probó RP3Net con datos curados de AstraZeneca y el Consorcio de Genómica Estructural.

Principales resultados:

• RP3Net demostró un aumento significativo en el Área Bajo la Curva Operativa del Receptor (AUROC) de 0.15 en comparación con los modelos de referencia.; La validación experimental en 97 construcciones mostró que RP3Net logró un AUROC de 0.83.; RP3Net predijo con precisión la expresión en el 77% de los casos e identificó construcciones exitosas en el 92% de los casos.

Conclusiones:

• RP3Net mejora la predicción de la expresión de proteínas recombinantes en E. coli.; El modelo de IA supera a los métodos existentes, mejorando la eficiencia en la producción de proteínas.; RP3Net está disponible bajo licencia MIT, promoviendo la accesibilidad para la investigación y el desarrollo.