La red neuronal ayuda a diseñar una proteína completamente nueva

Un enfoque flexible basado en el lenguaje resulta sorprendentemente eficaz para resolver problemas difíciles en la ciencia de materiales.

Instituto Americano de Física

Imagen: Visualizaciones de muestra de biomateriales proteicos de diseño, creadas utilizando una red neuronal de gráfico transformador que puede comprender instrucciones complejas y analizar y diseñar materiales a partir de sus componentes básicos definitivos.ver más

Crédito: Markus Buehler

WASHINGTON, 29 de agosto de 2023 – Con sus intrincadas disposiciones y funcionalidades dinámicas, las proteínas realizan una gran cantidad de tareas biológicas empleando disposiciones únicas de bloques de construcción simples donde la geometría es clave. Traducir esta biblioteca casi ilimitada de disposiciones a sus respectivas funciones podría permitir a los investigadores diseñar proteínas personalizadas para usos específicos.

En Journal of Applied Physics, de AIP Publishing, Markus Buehler del Instituto de Tecnología de Massachusetts combinó redes neuronales de atención, a menudo denominadas transformadores, con redes neuronales gráficas para comprender y diseñar mejor las proteínas. El enfoque combina los puntos fuertes del aprendizaje profundo geométrico con los de los modelos de lenguaje no sólo para predecir las propiedades de las proteínas existentes sino también para imaginar nuevas proteínas que la naturaleza aún no ha ideado.

"Con este nuevo método, podemos utilizar todo lo que la naturaleza ha inventado como base de conocimiento modelando los principios subyacentes", dijo Buehler. "El modelo recombina estos componentes naturales para lograr nuevas funciones y resolver este tipo de tareas".

Debido a sus estructuras complejas, su capacidad para realizar múltiples tareas y su tendencia a cambiar de forma cuando se disuelven, las proteínas han sido notoriamente difíciles de modelar. El aprendizaje automático ha demostrado la capacidad de traducir las fuerzas a nanoescala que gobiernan el comportamiento de las proteínas en marcos de trabajo que describen su función. Sin embargo, ir en el otro sentido (convertir una función deseada en una estructura proteica) sigue siendo un desafío.

Para superar este desafío, el modelo de Buehler convierte números, descripciones, tareas y otros elementos en símbolos para que los utilicen sus redes neuronales.

Primero entrenó su modelo para predecir la secuenciación, la solubilidad y los componentes básicos de aminoácidos de diferentes proteínas a partir de sus funciones. Luego le enseñó a ser creativo y generar estructuras completamente nuevas después de recibir parámetros iniciales para la función de una nueva proteína.

El enfoque le permitió crear versiones sólidas de proteínas antimicrobianas que previamente debían disolverse en agua. En otro ejemplo, su equipo tomó una proteína de seda natural y la evolucionó en varias formas nuevas, incluida darle forma de hélice para obtener más elasticidad o una estructura plisada para mayor dureza.

El modelo realizó muchas de las tareas centrales del diseño de nuevas proteínas, pero Buehler dijo que el enfoque puede incorporar aún más entradas para más tareas, haciéndolo potencialmente aún más poderoso.

“Un elemento de gran sorpresa fue que el modelo funcionó excepcionalmente bien a pesar de que fue desarrollado para poder resolver múltiples tareas. Probablemente esto se deba a que el modelo aprende más al considerar diversas tareas”, dijo. "Este cambio significa que, en lugar de crear modelos especializados para tareas específicas, los investigadores ahora pueden pensar de manera amplia en términos de modelos multitarea y multimodales".

La naturaleza amplia de este enfoque significa que este modelo se puede aplicar a muchas áreas fuera del diseño de proteínas.

"Si bien nuestro enfoque actual son las proteínas, este método tiene un gran potencial en la ciencia de materiales", dijo Buehler. "Estamos especialmente interesados ​​en explorar los comportamientos de falla de los materiales, con el objetivo de diseñar materiales con patrones de falla específicos".

###

El autor del artículo “Red neuronal de gráfico de transformador autorregresivo preentrenado aplicado al análisis y descubrimiento de nuevas proteínas” es el autor de Markus Buehler. Aparecerá en Journal of Applied Physics el 29 de agosto de 2023 (DOI: 10.1063/5.0157367). Después de esa fecha, se podrá acceder a él en https://doi.org/10.1063/5.0157367.

ACERCA DE LA REVISTA

El Journal of Applied Physics es una influyente revista internacional que publica importantes resultados experimentales y teóricos nuevos en todas las áreas de la física aplicada. Consulte https://aip.scitation.org/journal/jap.

###

Revista de Física Aplicada

10.1063/5.0157367

Red neuronal generativa de gráficos transformadores autorregresivos preentrenados aplicada al análisis y descubrimiento de nuevas proteínas

29-ago-2023

Descargo de responsabilidad: AAAS y EurekAlert! ¡No somos responsables de la exactitud de los comunicados de prensa publicados en EurekAlert! por instituciones contribuyentes o para el uso de cualquier información a través del sistema EurekAlert.