CycloPepper: una plataforma de aprendizaje automático para predecir resultados de ciclación y optimizar la síntesis...

Área de la Ciencia:

• Química Medicinal
• Biología Computacional
• Biotecnología

Sus antecedentes:

• Los péptidos cíclicos son terapéuticos prometedores debido a su estabilidad y afinidad de unión.
• La ciclación en resina de cabeza a cola es un paso sintético clave pero desafiante.
• La selección del sitio de ciclación correcto es crucial para obtener rendimientos de síntesis exitosos.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje automático (AA) para predecir los resultados de ciclación de péptidos cíclicos.
• Crear una plataforma fácil de usar (CycloPepper) para evaluar sitios de ciclación.
• Acelerar el descubrimiento y la síntesis de ciclopéptidos terapéuticos.

Principales métodos:

• Se generó un conjunto de datos estandarizado de 306 péptidos cíclicos utilizando la plataforma automatizada CycloBot.
• Se desarrolló y entrenó un modelo de aprendizaje automático con este conjunto de datos.
• Se validaron experimentalmente las predicciones del modelo de AA en 74 péptidos cíclicos diversos.

Principales resultados:

• El modelo de AA logró una precisión de predicción promedio del 84% para los resultados de ciclación.
• La validación experimental demostró una consistencia de predicción del 86%.
• La plataforma CycloPepper identificó con éxito sitios de ciclación potenciales para péptidos dirigidos a enfermedades.

Conclusiones:

• La síntesis asistida por aprendizaje automático agiliza significativamente la producción de péptidos cíclicos.
• CycloPepper proporciona una herramienta práctica para que los investigadores evalúen los sitios de ciclación.
• Este enfoque acelera el descubrimiento y desarrollo de nuevos ciclopéptidos terapéuticos.