Handan acar, pH.ré., le professeur adjoint de Peggy et Charles Stephenson en génie biomédical à OU, s'est associé à Andrew White, PH.ré., professeur agrégé de génie chimique à l'Université de Rochester, pour introduire une nouvelle stratégie pour étudier les principes fondamentaux de l'ingénierie moléculaire.Seren Hamsici, un doctorant au laboratoire d'ACAR, est le premier auteur de l'étude.
Les protéines sont responsables de la structure, de la fonction et de la régulation des organes et des tissus du corps.Ils sont formés par des acides aminés et se réunissent dans différentes interactions, appelées interactions intermoléculaires, qui sont essentielles à la façon dont les protéines jouent des rôles différents dans le corps. When these protein interactions behave abnormally, medical issues result, such as when they clump together to form plaques in the brain that leads to Alzheimer's réisease.
"Dans le domaine de l'ingénierie des peptides, l'approche générale consiste à prendre ces protéines naturelles et à apporter des modifications incrémentielles pour identifier les propriétés des produits agrégés finaux, puis trouver une application pour laquelle les propriétés identifiées seraient utiles", a déclaré Acar."Cependant, il y a plus de 500 acides aminés naturels et non naturels.Surtout lorsque vous considérez la taille des peptides, cette approche n'est tout simplement pas pratique."
L'apprentissage automatique a un grand potentiel pour contrer ce défi, mais ACAR dit que la façon dont les peptides complexes assemblent et se désassemblent ont empêché les méthodes d'intelligence artificielle d'être efficaces jusqu'à présent.
"De toute évidence, les méthodes de calcul, telles que l'apprentissage automatique, sont nécessaires", a-t-elle déclaré."Pourtant, l'agrégation peptidique est très complexe.Il n'est actuellement pas possible d'identifier les effets des acides aminés individuels avec des méthodes de calcul."
Pour contrer ces défis, l'équipe de recherche a trouvé une nouvelle approche.Ils ont développé un cadre qui aiderait à combler la recherche en science des matériaux et en génie avec la science informatique pour jeter les bases de l'intelligence artificielle et des progrès de l'apprentissage automatique.
"Pour cet article, nous nous sommes concentrés sur de petits peptides avec six acides aminés, où même les combinaisons possibles sont incroyables", a déclaré Acar."Nous voulions voir quel type d'interactions affecterait le produit final de quelle manière, nous avons donc créé un cadre qui a gardé quatre des six acides aminés tout le temps, et nous avons changé les deux restants à la fois pourVoyez comment cela affectera les interactions et aussi le produit qui se réunira à la fin."
Les chercheurs se sont concentrés sur l'aggrégation des peptides dans des structures unidimensionnelles et ont contré le défi du seuil cinétique - où les interactions intermoléculaires entre les petits peptides ne suffisent pas à agréger en faibles concentrations - en ayant les deux acides aminés variables du cadreFrais d'électrons opposés.
"In Alzheimer's réisease, all of the amyloids come together in a one-dimensional structure," Acar said."Par conséquent, nous avons d'énormes quantités de techniques de quantification standardisées afin que nous sachions que nous pouvons les comparer avec tout ce qui a été synthétisé et publié.Cela le rend comparable à la littérature."
"L'avantage de ce cadre est qu'il est assez simple pour faire des simulations de calcul, qui offrent l'occasion d'utiliser l'apprentissage automatique", a ajouté White.
White a utilisé des calculs de dynamique moléculaire pour simuler ce qui se passe à l'échelle des atomes pendant les étapes initiales de l'auto-assemblage.
"La dynamique moléculaire nous permet de voir comment ces peptides interagissent, un film littéral de la façon dont les atomes se composent pour démarrer le processus d'auto-assemblage", a-t-il déclaré.
Grâce au cadre décrit dans leur article, l'équipe de recherche jette les bases de la démonstration de l'efficacité avec six structures d'acides aminés qui peuvent être élargies dans les travaux ultérieurs.
"Les données que nous collecterons dans les études futures en utilisant ce cadre, bien qu'elles ne soient pas comme nous le prédisons maintenant, nous donneront un aperçu important de la façon dont les peptides se réunissent et changeront probablement la perspective future de l'ingénierie des peptides", a déclaré Hamsici.
De même, White dit que les applications futures de leurs recherches pourront utiliser l'apprentissage en profondeur et l'intelligence artificielle pour modéliser les structures peptidiques pour créer des matériaux avec les propriétés nécessaires pour une application souhaitée.
ACAR imagine un avenir où un ingénieur de matériaux pourrait saisir des paramètres pour le matériau souhaité et une simulation informatique pourrait déterminer la structure peptidique qui serait nécessaire.
"Ce cadre est une percée pour aider les scientifiques expérimentaux et les scientifiques informatiques à avoir le même outil pour examiner le problème dans différentes directions", a déclaré ACAR."Nous voulons continuer à créer différents peptides et différentes propriétés jusqu'à ce que nous ayons suffisamment de données pour construire une banque de données pour différentes sciences des matériaux pour vraiment bénéficier de l'apprentissage automatique.La technologie que nous avons décrite dans cet article peut ouvrir la voie aux matériaux Genome Atlas pour les matériaux à base de peptides."
