La nueva herramienta, ProteinMPNN, descrita por un grupo de investigadores de la Universidad de Washington en dos artículos publicados en Science hoy (disponible aquí y aquí), ofrece un poderoso complemento a esa tecnología.
Los documentos son el último ejemplo de cómo el aprendizaje profundo está revolucionando el diseño de proteínas al brindar a los científicos nuevas herramientas de investigación. Tradicionalmente, los investigadores diseñan proteínas modificando las que se producen en la naturaleza, pero ProteinMPNN abrirá todo un nuevo universo de posibles proteínas para que los investigadores las diseñen desde cero.
“En la naturaleza, las proteínas resuelven básicamente todos los problemas de la vida, desde la recolección de energía de la luz solar hasta la fabricación de moléculas. Todo en biología sucede a partir de proteínas”, dice David Baker, uno de los científicos detrás del artículo y director del Instituto para el Diseño de Proteínas de la Universidad de Washington.
“Evolucionaron a lo largo de la evolución para resolver los problemas que enfrentaron los organismos durante la evolución. Pero hoy nos enfrentamos a nuevos problemas, como el covid. Si pudiéramos diseñar proteínas que fueran tan buenas para resolver nuevos problemas como lo son las que evolucionaron durante la evolución para resolver viejos problemas, sería muy, muy poderoso”.
Las proteínas consisten en cientos de miles de aminoácidos que están unidos en largas cadenas, que luego se pliegan en formas tridimensionales. AlphaFold ayuda a los investigadores a predecir la estructura resultante, ofreciendo información sobre cómo se comportarán.
ProteinMPNN ayudará a los investigadores con el problema inverso. Si ya tienen en mente una estructura de proteína exacta, les ayudará a encontrar la secuencia de aminoácidos que se pliega en esa forma. El sistema utiliza una red neuronal entrenada en una gran cantidad de ejemplos de secuencias de aminoácidos, que se pliegan en estructuras tridimensionales.
Pero los investigadores también necesitan resolver otro problema. Para diseñar proteínas que aborden problemas del mundo real, como una nueva enzima que digiera plástico, primero tienen que averiguar qué estructura proteica tendría esa función.
Para ello, los investigadores del laboratorio de Baker utilizan dos métodos de aprendizaje automático, detallados en un artículo en Science en julio pasado, que el equipo llama “alucinación restringida” y “en pintura”.