Come l’intelligenza artificiale sta facendo avanzare la proteomica strutturale

Questo articolo si basa su risultati di ricerca che devono ancora essere sottoposti a revisione paritaria. I risultati sono quindi considerati preliminari e devono essere interpretati come tali. Scopri il ruolo del processo di revisione tra pari nella ricerca qui. Per ulteriori informazioni, si prega di contattare la fonte citata.

Comprendere la formazione di complessi proteici è fondamentale nella progettazione di farmaci e nello sviluppo di proteine ​​terapeutiche come gli anticorpi. Tuttavia, le proteine ​​possono attaccarsi l’una all’altra in milioni di combinazioni diverse e le attuali soluzioni di docking utilizzate per prevedere queste interazioni possono essere molto lente. Sono necessarie soluzioni più rapide e accurate per semplificare il processo.

In un pre stampa pubblicato all’inizio di quest’anno, è stato introdotto un nuovo modello di apprendimento automatico, EquiDock, in grado di prevedere rapidamente come interagiranno due proteine. A differenza di altri approcci, il modello non si basa su un pesante campionamento dei candidati ed è stato dimostrato che raggiunge previsioni fino a 80, 500 volte più veloci rispetto ai comuni software di docking.

Per saperne di più su EquiDock e su come i metodi di intelligenza artificiale (AI) stanno facendo progressi nel campo della proteomica strutturale, Reti tecnologiche ha parlato con il co-autore principale del documento, Ottaviano-Eugen Ganearicercatore post-dottorato presso il MIT Computer Science and Artificial Intelligence Laboratory.

Molly Campbell (MC): Per i nostri lettori che potrebbero non essere familiari, puoi descrivere il tuo attuale focus di ricerca sulla proteomica?

Ottaviano Ganea (OG): La mia ricerca utilizza l’intelligenza artificiale (in particolare, il deep learning) per modellare aspetti di molecole importanti in varie applicazioni come la scoperta di farmaci.

Le proteine ​​sono coinvolte nella maggior parte dei processi biologici nei nostri corpi. Due o più proteine ​​con funzioni diverse interagiscono e formano macchine più grandi, cioè complessi. Si legano anche a molecole più piccole come quelle che si trovano nei farmaci. Questi processi modificano le funzioni biologiche delle singole proteine, ad esempio un farmaco ideale inibirebbe una proteina cancerogena legandosi a parti specifiche della sua superficie. Sono interessato a utilizzare il deep learning per modellare queste interazioni e per assistere e accelerare la ricerca di chimici e biologi fornendo strumenti computazionali migliori e più veloci.

MC: In che modo i metodi basati sull’intelligenza artificiale stanno facendo avanzare il campo della proteomica e in particolare della proteomica strutturale?

OG: I processi biologici sono intrinsecamente molto complicati e hanno i loro misteri, anche per gli esperti di dominio. Ad esempio, per capire come le proteine ​​interagenti si attaccano l’una all’altra, gli esseri umani oi computer devono provare tutte le possibili combinazioni di attaccamento per trovare quella più plausibile. Intuitivamente, avendo due oggetti tridimensionali con superfici molto irregolari, bisogna ruotarli e cercare di agganciarli in tutti i modi possibili fino a trovare due regioni complementari su entrambe le superfici che si abbinerebbero molto bene in termini di pattern geometrici e chimici . Questo è un processo che richiede molto tempo sia per gli approcci manuali che per quelli computazionali. Inoltre, i biologi sono interessati a scoprire nuove interazioni attraverso un insieme molto ampio di proteine ​​come il proteoma umano di dimensioni di circa 20.000. Questo è importante, ad esempio, per scoprire automaticamente gli effetti collaterali imprevisti di nuovi trattamenti. Un problema del genere ora diventa simile a un puzzle 3D estremamente grande in cui si devono scansionare simultaneamente i pezzi per abbinarli, oltre a capire come avviene ogni singolo collegamento a coppie provando tutte le possibili combinazioni e rotazioni.

MC: Puoi spiegare come hai creato EquiDock?

OG: EquiDock prende le strutture 3D di due proteine ​​e identifica direttamente quali aree potrebbero interagire, il che altrimenti sarebbe un problema complicato anche per un esperto di biologia. La scoperta di queste informazioni è quindi sufficiente per capire come ruotare e orientare le due proteine ​​nelle loro posizioni attaccate. EquiDock impara a catturare modelli di aggancio complessi da un ampio set di circa 41.000 strutture proteiche utilizzando un modello vincolato geometricamente con migliaia di parametri che vengono regolati dinamicamente e automaticamente finché non risolvono il compito molto bene.

MC: Quali sono le potenziali applicazioni di EquiDock?

OG: Come già accennato, EquiDock può consentire una rapida scansione computazionale degli effetti collaterali dei farmaci. Ciò va di pari passo con lo screening virtuale su vasta scala di farmaci e altri tipi di molecole (ad es. anticorpi, nanocorpi, peptidi). Ciò è necessario per ridurre significativamente uno spazio di ricerca astronomica che altrimenti sarebbe impossibile per tutte le nostre attuali capacità sperimentali (anche aggregate a livello mondiale). Un metodo rapido di aggancio proteina-proteina come EquiDock combinato con un modello di previsione della struttura proteica veloce (come AlphaFold2 sviluppato da DeepMind) aiuterebbe la progettazione di farmaci, l’ingegneria proteica, la generazione di anticorpi o la comprensione del meccanismo d’azione di un farmaco, tra molte altre interessanti applicazioni essenziale nella nostra ricerca di migliori trattamenti per le malattie.

Octavian Ganea stava parlando con Molly Campbell, scrittrice scientifica senior per le reti tecnologiche.

Leave a Comment