Home Notizie recenti L’automazione accelera la ricerca di proteine ​​stabili

L’automazione accelera la ricerca di proteine ​​stabili

21
0

I ricercatori hanno stabilizzato un’importante proteina sfruttando il duplice potere della robotica e dell’apprendimento automatico. Hanno anche dimostrato che il sistema funziona per una serie di proteine. La loro piattaforma robotica ha sintetizzato le molecole di rinforzo più di 10 volte più velocemente dei metodi principali. E il modello di apprendimento automatico ha aperto nuove e vaste possibilità per trovare la giusta combinazione di materiali, riducendo mesi o addirittura anni dal tempo necessario agli scienziati per accoppiare le proteine ​​con i loro supporti ideali. Immagine per gentile concessione dei ricercatori. Credito: Michael Webb/Princeton University

Sfruttando la potenza della robotica e dell’intelligenza artificiale, i ricercatori della Princeton Engineering e della Rutgers University hanno trovato un modo per progettare proteine ​​stabili in una frazione del tempo dell’attuale stato dell’arte. La piattaforma robotica del team accelera le cose più di dieci volte e il loro approccio computazionale trova soluzioni ovunque da settimane ad anni più velocemente di quanto sia possibile con la sola intelligenza umana.

La stabilizzazione delle proteine ​​è una sfida centrale per la ricerca sulla creazione di farmaci, la produzione di biocarburanti e il riciclaggio della plastica. Attualmente, gli scienziati utilizzano la loro conoscenza della chimica per stimare quali composti chimici si accoppieranno bene con le proteine ​​in condizioni diverse. L’approccio convenzionale utilizza tentativi ed errori per perfezionare i risultati. Questo metodo meticoloso può richiedere mesi mentre gli scienziati creano e testano campioni di molecole e spesso non porta da nessuna parte.

Nel nuovo sistema, gli ingegneri utilizzano un modello di apprendimento automatico per identificare i composti chimici che hanno maggiori probabilità di stabilizzare le proteine ​​desiderate. Il modello aiuta a restringere centinaia di migliaia di possibilità a pochi probabili candidati. Una piattaforma di assemblaggio robotica produce campioni delle molecole per la valutazione. Combinando la piattaforma robotica con il modello di apprendimento automatico si ottengono risultati in pochi giorni.

Questo approccio twin-turbo offre un ulteriore vantaggio: a causa della sua capacità di sfornare enormi quantità di dati, il modello di apprendimento automatico raccomanda spesso molecole candidate che non sarebbero venute in mente agli scienziati.

“In termini di aumento di ciò che possiamo cercare, è praticamente illimitato”, ha affermato Michael Webb, assistente professore di ingegneria chimica e biologica a Princeton e uno dei due autori senior dello studio. “L’utilizzo dell’apprendimento automatico per dirigere la nostra ricerca accelera la scoperta di un importo che è difficile da quantificare ma è molto importante. È possibile che tu possa girare le ruote per molto tempo se continuassi a fare affidamento sulla ricerca sistematica o sulla prova- e-errore.”

Guidati da Webb e Adam Gormley, assistente professore di ingegneria biomedica alla Rutgers, i ricercatori hanno pubblicato le loro scoperte sulla rivista Materiale avanzato.

Nello sviluppo del loro sistema, il team si è rivolto a tre proteine ​​​​con proprietà distintive, inclusa una proteina trovata nel rafano che è ampiamente utilizzata negli ospedali e negli impianti di trattamento delle acque.

“Se potessimo risolvere il problema per questi tre, allora teoricamente potremmo estendere la stessa procedura a tutti i tipi di enzimi”, ha affermato Roshan Patel, uno studente laureato nel laboratorio di Webb e uno dei primi autori del nuovo articolo.

Sebbene le proteine ​​eseguano tutti i tipi di prodezze sorprendenti in natura, tendono ad essere esigenti riguardo alle loro condizioni di lavoro. I cambiamenti di temperatura o l’esposizione ai solventi possono fermarli. Per indurire le proteine ​​per l’uso al di fuori dei loro ambienti nativi, gli scienziati spesso le rinforzano con materiali di supporto specializzati, come le armature nel cemento, che rendono queste fragili strutture più robuste. Questo è un passaggio chiave per abilitare un vasto corpus di tecnologie biomediche, ambientali e altre tecnologie industriali.

Ma trovare la perfetta corrispondenza tra una proteina e la sua molecola di supporto significa ottimizzare un numero astronomico di scelte. I metodi convenzionali sono lenti e in gran parte non sistematici – pensa per tentativi ed errori – il che significa che la maggior parte delle possibili soluzioni non viene esplorata.

Con la proteina del rafano, i ricercatori hanno iniziato creando 500 diverse molecole di supporto basate sull’approccio tradizionale e intuitivo. Ciascun supporto aveva un certo potenziale per rinforzare la proteina contro condizioni industriali difficili, ma i ricercatori non sapevano molto di più. Hanno quindi testato ciascuna delle 500 molecole come supporto, raccogliendo dati reali sulle sue prestazioni e contemporaneamente hanno incaricato il modello informatico di fare previsioni su ciò che avrebbero trovato. Il confronto tra le previsioni e i risultati ha permesso loro di migliorare il modello al computer attraverso un processo di rinforzo positivo, chiamato apprendimento per rinforzo.

Con il modello computerizzato di recente formazione, i ricercatori hanno ampliato la loro ricerca a oltre mezzo milione di possibili molecole di supporto. Ogni molecola rappresentava una ricetta diversa assemblata da migliaia di ingredienti in varie configurazioni. Hanno esaminato i dati attraverso il modello quattro volte, ogni volta alla ricerca di due cose: molecole che avrebbero superato il resto del campo, o molecole che hanno una qualità interessante che potrebbe rendere l’algoritmo ancora più sofisticato.

“Al quinto giro”, ha detto Webb, “ci siamo tolti le manette. Abbiamo detto, OK, dacci i migliori 24 [molecules] potete trovare.”

Rispetto alle molecole che hanno identificato utilizzando metodi basati sull’intuizione, il nuovo approccio assistito dalla macchina ha trovato molecole di supporto che funzionavano più di cinque volte meglio per la proteina del rafano. Quando si lavora con la lipasi, una proteina che scompone il grasso nel corpo, i risultati sono stati molto più drammatici. Il nuovo sistema ha trovato una molecola di supporto che ha migliorato le prestazioni di circa 50 volte rispetto alle scelte iniziali, spingendo anche la proteina a funzionare meglio al di fuori del suo ambiente nativo rispetto al suo stato naturale.

“Ci sono molte cose su cui puoi manipolare [these molecules]inclusa la chimica delle loro unità sottostanti, le loro dimensioni, la loro architettura, la loro sequenza”, ha affermato Webb. “Tutte queste cose possono influire sulle proprietà in un modo che potresti sfruttare” per un’applicazione utile.

Webb ha affermato che potrebbero semplificare il processo e accelerarlo ulteriormente integrando il modello di apprendimento automatico con il sistema di robotica fisica in loco. Gran parte del lavoro iniziale è stato svolto inviando dati avanti e indietro tra i due laboratori.

Ha anche indicato le applicazioni specifiche su cui il team stava iniziando a lavorare, in cui la ricerca di molecole per stabilizzare le proteine ​​​​potrebbe portare a soluzioni trasformative: un nuovo modo di riciclare la plastica difficile da rompere e un trattamento non invasivo per le lesioni del midollo spinale.

“C’è un’opportunità per fare un follow-up e capire più precisamente perché queste cose funzionano e le condizioni in cui lo fanno”, ha detto Webb.


Articolo precedenteRendere la musica in streaming più equo per gli artisti
Articolo successivoTrovare l’azienda (o le aziende) dei colleghi