Una herramienta de Inteligencia artificial (Ai), llamado Cany Alzheimer’s y otros cincuenta tipos de enfermedades.
El estudio que explica la operación de esta herramienta de IA se ha publicado en la revista Science Advances, y es el resultado de la colaboración entre el Centro de Regulación Genómica (CRG) y el Instituto de Bioingeniería de Cataluña (Ibec).
Específicamente, el IA CANYA logra descifrar el lenguaje secreto de las proteínas «pegajosas» y esto permite predecir cuándo y por qué ocurre la agregación de ellas, un mecanismo vinculado a 50 enfermedades, incluida la Alzheimer, que afecta a 500 millones de personas en todo el mundo
Según los científicos que firman el estudio, a diferencia de los modelos típicos de Iowa De «Black Box», Canya fue diseñado para explicar sus decisiones, lo que revela los patrones químicos específicos que impulsan la agregación dañina de las proteínas.
El descubrimiento ha sido posible gracias al mayor conjunto de datos sobre la agregación de proteínas creadas hasta la fecha, y el estudio ofrece un nuevo conocimiento sobre los mecanismos moleculares que causan la agregación relacionada con enfermedades como el Alzheimer.
La aglomeración de proteínas, o la agregación amiloide, es un riesgo para la salud que altera la función normal de las células, y cuando ciertas partes de las proteínas se adhieren entre sí, se convierten en masas densas y fibrosas con consecuencias patológicas.
Impacto en la biotecnología
Aunque el estudio puede acelerar los esfuerzos en la investigación de enfermedades neurodegenerativas, su impacto más inmediato será en la biotecnología, ya que muchos fármacos son proteínas y, a menudo, su función se ve obstaculizada por agregaciones no deseadas.
Según la Dra. Beedetta Bolognesi, del Instituto de Bioingeniería de Cataluña (IBEC) y co -autor del estudio, «La agregación de proteínas es un gran dolor de cabeza para las compañías farmacéuticas».
«Si una proteína terapéutica comienza a agregar los lotes de fabricación puede fallar, lo que cuesta tiempo y dinero», dice este mismo investigador.
Para evitar esta situación, «Canya puede ayudar a guiar los esfuerzos para diseñar anticuerpos y enzimas con menos probabilidades de adherirse y reducir los contratiempos en el proceso», agrega.
Las agregaciones de proteínas utilizan un lenguaje poco conocido
Las proteínas están formadas por veinte tipos diferentes de aminoácidos, y en lugar de las letras habituales A, C, G, T que componen el lenguaje del ADN, el lenguaje de una proteína tiene veinte letras diferentes, cuyas combinaciones forman «palabras» o «motivos».
Durante mucho tiempo se ha intentado descifrar qué combinaciones de motivos causan agregación amiloide y que permiten que las proteínas se doblen sin errores.
Las herramientas de inteligencia artificial tratadas por aminoácidos como el alfabeto de un lenguaje misterioso pueden ayudar a identificar las palabras o razones específicas.
Pero, sin embargo, la calidad y el volumen de los datos sobre la agregación de proteínas necesarias para alimentar a los modelos históricamente se han limitado o se han limitado a fragmentos muy pequeños.
El estudio ha abordado este desafío realizando experimentos a gran escala, y los autores de trabajo crearon más de 100,000 fragmentos de proteínas completamente aleatorias desde cero, cada uno de 20 aminoácidos de longitud.
La capacidad de cada fragmento sintético a agregar se probó en células de levadura vivas, y si un fragmento de concreto desencadenó la formación de agregados, las células de levadura crecían de una manera particular que podría medirse para determinar la causa y el efecto.
El Dr. Mike Thompson, investigador del Centro de Regulación Genómica (CRG) y uno de los autores del estudio, explica que han creado «fragmentos de proteínas aleatorios, incluidas muchas versiones que no se encuentran en la naturaleza».
«Hasta ahora, solo se había explorado una fracción de todas las secuencias de proteínas posibles, él aprueba, mientras que nuestro enfoque nos ayuda a ingresar una galaxia más amplia de posibilidades, ya que proporciona una gran cantidad de datos que ayudan a comprender las leyes más generales del comportamiento de la agregación».
CONDUCE CANYA
La gran cantidad de datos generados a partir de los experimentos se utilizó para entrenar el cañón, y el equipo decidió crearlo utilizando los principios de «AI explicable», haciendo que sus procesos de toma de decisiones sean comprensibles para los humanos.
Esto tenía la intención de sacrificar parte de su poder predictivo, que generalmente es mayor en la IA de «caja negra», pero, a pesar de esto, Canya demostró ser aproximadamente un 15 % más preciso que los modelos existentes.
<
Deja una respuesta