Handan Acar, PH.D., Profesor Asistente de Ingeniería Biomédica de Peggy y Charles Stephenson en OU, se asoció con Andrew White, PH.D., profesor asociado de ingeniería química en la Universidad de Rochester, para introducir una nueva estrategia para estudiar los fundamentos de la ingeniería molecular.Seren Hamsici, un estudiante de doctorado en Acar's Lab, es el primer autor del estudio.
Las proteínas son responsables de la estructura, función y regulación de los órganos y tejidos del cuerpo.Están formados por aminoácidos y se unen en diferentes interacciones, llamadas interacciones intermoleculares, que son esenciales para cómo las proteínas tienen diferentes roles en el cuerpo..Cuando estas interacciones proteicas se comportan anormalmente, se producen problemas médicos, como cuando se agrupan para formar placas en el cerebro que conduce a la enfermedad de Alzheimer.
"En el campo de ingeniería de péptidos, el enfoque general es tomar esas proteínas naturales y realizar cambios incrementales para identificar las propiedades de los productos agregados finales, y luego encontrar una aplicación para la cual las propiedades identificadas serían útiles", dijo ACAR."Sin embargo, hay más de 500 aminoácidos naturales y antinaturales.Especialmente cuando considera el tamaño de los péptidos, este enfoque no es práctico."
El aprendizaje automático tiene un gran potencial para contrarrestar este desafío, pero Acar dice que los péptidos complejos se ensamblan y se desmonta ha impedido que los métodos de inteligencia artificial sean efectivos hasta ahora.
"Claramente, los métodos computacionales, como el aprendizaje automático, son necesarios", dijo."Sin embargo, la agregación de péptidos es muy compleja.Actualmente no es posible identificar los efectos de los aminoácidos individuales con métodos computacionales."
Para contrarrestar esos desafíos, el equipo de investigación presentó un nuevo enfoque.Desarrollaron un marco que ayudaría a la investigación de la ciencia y la ingeniería de los materiales con ciencias computacionales para sentar las bases para los avances de inteligencia artificial y aprendizaje automático..
"Para este artículo, nos centramos en pequeños péptidos con seis aminoácidos, donde aún así las combinaciones posibles son increíbles", dijo Acar ", dijo Acar."Queríamos ver qué tipo de interacciones afectarían el producto final de qué manera, por lo que creamos un marco que mantenía cuatro de los seis aminoácidos igual todo el tiempo, y cambiamos los dos restantes a la vez aVea cómo afectará eso las interacciones y también el producto que se unirá al final."
Los investigadores se centraron en la agregación de péptidos en estructuras unidimensionales y contrarrestaron el desafío del umbral cinético, donde las interacciones intermoleculares entre los péptidos pequeños no son suficientes para agregarse en bajas concentraciones, al hacer que los dos aminoácidos variables del marco se mantenganCargas de electrones opuestas.
"En la enfermedad de Alzheimer, todos los amiloides se unen en una estructura unidimensional", dijo Acar.."Por lo tanto, tenemos enormes cantidades de técnicas de cuantificación estandarizadas, por lo que sabemos que podemos compararlas con cualquier cosa que haya sido sintetizada y publicada..Lo hace comparable con la literatura."
"La ventaja de este marco es que es bastante simple hacer simulaciones computacionales, que brindan la oportunidad de usar el aprendizaje automático", agregó White.
White usó cálculos de dinámica molecular para simular lo que sucede en la escala de los átomos durante los pasos iniciales del autoensamblaje.
"Molecular Dynamics nos permite ver cómo interactúan estos péptidos, una película literal de cómo los átomos se alinean para comenzar el proceso de autoensamblaje", dijo.
A través del marco descrito en su artículo, el equipo de investigación establece las bases para demostrar la eficacia con seis estructuras de aminoácidos que se pueden ampliar en el trabajo posterior.
"Los datos que recopilaremos en futuros estudios utilizando este marco, aunque podrían no ser como predecimos ahora, nos darán una visión importante de cómo se unen los péptidos y probablemente cambiarán la perspectiva futura de la ingeniería de péptidos", dijo Hamsici.
Del mismo modo, White dice que las aplicaciones futuras de su investigación podrán utilizar el aprendizaje profundo y la inteligencia artificial para modelar estructuras peptídicas para crear materiales con las propiedades necesarias para una aplicación deseada.
ACAR imagina un futuro en el que un ingeniero de materiales podría ingresar los parámetros para el material deseado y una simulación por computadora podría determinar la estructura de los péptidos que sería necesaria.
"Este marco es un avance para ayudar a los científicos experimentales y los científicos computacionales a tener la misma herramienta para ver el problema desde diferentes direcciones", dijo Acar.."Queremos continuar creando diferentes péptidos y diferentes propiedades hasta que tengamos suficientes datos para construir un banco de datos para diferentes ciencias de los materiales para beneficiarse realmente del aprendizaje automático.La tecnología que describimos en este documento puede allanar el camino para los materiales Atlas del genoma para materiales a base de péptidos."
