Handan Acar, pH.D., Peggy e Charles Stephenson Professor de Engenharia Biomédica da OU, se uniu a Andrew White, PH.D., um professor associado de engenharia química da Universidade de Rochester, para introduzir uma nova estratégia para estudar fundamentos da engenharia molecular.Seren Hamsici, um estudante de doutorado no laboratório de Acar, é o primeiro autor do estudo.
As proteínas são responsáveis pela estrutura, função e regulação dos órgãos e tecidos do corpo.Eles são formados por aminoácidos e se reúnem em diferentes interações, chamadas interações intermoleculares, essenciais para como as proteínas desempenham papéis diferentes no corpo.Quando essas interações proteicas se comportam de forma anormal, resultam em questões médicas, como quando elas se aglomeram para formar placas no cérebro que levam à doença de Alzheimer.
"No campo de engenharia peptídica, a abordagem geral é tomar essas proteínas naturais e fazer mudanças incrementais para identificar as propriedades dos produtos agregados finais e, em seguida, encontrar uma aplicação para a qual as propriedades identificadas seriam úteis", disse Acar disse."No entanto, existem mais de 500 aminoácidos naturais e não naturais.Especialmente quando você considera o tamanho dos peptídeos, essa abordagem simplesmente não é prática."
O aprendizado de máquina tem um grande potencial para combater esse desafio, mas Acar diz que a complexa maneira de os peptídeos se reúnem e a desmontagem impediu que os métodos de inteligência artificial fossem eficazes até agora.
"Claramente, métodos computacionais, como aprendizado de máquina, são necessários", disse ela."No entanto, a agregação peptídica é muito complexa.Atualmente, não é possível identificar os efeitos de aminoácidos individuais com métodos computacionais."
Para combater esses desafios, a equipe de pesquisa apresentou uma nova abordagem.Eles desenvolveram uma estrutura que ajudaria a preencher a pesquisa de ciência e engenharia de materiais com ciência computacional para estabelecer as bases para a inteligência artificial e os avanços do aprendizado de máquina.
"Para este artigo, focamos em pequenos peptídeos com seis aminoácidos, onde mesmo as combinações possíveis são incríveis", disse Acar."Queríamos ver que tipo de interação afetaria o produto final de que maneira, por isso criamos uma estrutura que mantinha quatro dos seis aminoácidos da mesma forma o tempo todo, e mudamos os dois restantes de cada vez paraVeja como isso afetará as interações e também o produto que se unirá no final."
Os pesquisadores se concentraram na agregação peptídica em estruturas unidimensionais e combater o desafio do limiar cinético-onde as interações intermoleculares entre peptídeos pequenos não são suficientes para se agregar em baixas concentrações-por ter os dois aminoácidos variáveis da estrutura de retençãoCargas de elétrons opostos.
"Na doença de Alzheimer, todos os amilóides se reúnem em uma estrutura unidimensional", disse Acar."Portanto, temos enormes quantidades de técnicas de quantificação padronizadas, para que sabemos que podemos compará -las com qualquer coisa que tenha sido sintetizada e publicada.Isso o torna comparável à literatura."
"A vantagem dessa estrutura é que é simples o suficiente para fazer simulações computacionais, que oferecem uma oportunidade de usar o aprendizado de máquina", White Adicionado.
White usou cálculos de dinâmica molecular para simular o que acontece na escala dos átomos durante as etapas iniciais da auto-montagem.
"A dinâmica molecular nos permite ver como esses peptídeos interagem, um filme literal de como os átomos formam para iniciar o processo de auto-montagem", disse ele.
Através da estrutura descrita em seu artigo, a equipe de pesquisa estabelece as bases para demonstrar eficácia com seis estruturas de aminoácidos que podem ser expandidas em trabalhos posteriores.
"Os dados que coletaremos em estudos futuros usando essa estrutura, embora possam não ser como prevemos agora, nos darão uma visão importante de como os peptídeos se reúnem e provavelmente mudarão a perspectiva futura da engenharia de peptídeos", disse Hamsici.
Da mesma forma, White diz que as aplicações futuras de suas pesquisas poderão usar aprendizado profundo e inteligência artificial para modelar estruturas peptídicas para criar materiais com as propriedades necessárias para uma aplicação desejada.
ACAR imagina um futuro em que um engenheiro de materiais pode inserir parâmetros para o material desejado e uma simulação por computador pode determinar a estrutura peptídica que seria necessária.
"Essa estrutura é um avanço em ajudar cientistas experimentais e cientistas computacionais a ter a mesma ferramenta para analisar o problema de diferentes direções", disse Acar."Queremos continuar criando diferentes peptídeos e propriedades diferentes até que tenhamos dados suficientes para criar um banco de dados para que a ciência de materiais diferentes realmente se beneficie do aprendizado de máquina.A tecnologia que descrevemos neste artigo pode abrir o caminho para o Atlas do Genoma dos Materiais para Materiais baseados em peptídeos."
