Predicción precisa de las estructuras e interacciones de las proteínas mediante una red neuronal de tres pistas
El aprendizaje profundo apoya el plegamiento de proteínas
En 1972, Anfinsen ganó un premio Nobel por demostrar un vínculo entre la secuencia de aminoácidos de una proteína y su estructura tridimensional. Desde 1994, los científicos han participado en el Desafío bianual de plegamiento de proteínas de evaluación crítica de predicción de estructuras (CASP). Los métodos de aprendizaje profundo ocuparon un lugar central en CASP14, con Alphafold2 de DeepMind logrando una precisión notable. Baek et al. exploró arquitecturas de red basadas en el marco DeepMind. Utilizaron una red de tres pistas para procesar simultáneamente información de secuencia, distancia y coordinación y lograron precisiones cercanas a las de DeepMind. El método, RoseTTA fold, puede resolver problemas complejos de cristalografía de rayos X y microscopía crioelectrónica y generar modelos precisos de complejos proteína-proteína.
Ciencia, abj8754, este número p. 871
Abstracto
DeepMind presentó predicciones particularmente precisas en la reciente decimocuarta conferencia de Evaluación Crítica de Predicción de Estructura (CASP14). Hemos explorado arquitecturas de red que incorporan ideas relacionadas y hemos logrado el mejor rendimiento con una red de tres pistas en la que la información a nivel de secuencia unidimensional (1D), nivel de mapa de distancia 2D y nivel de coordenadas 3D se transforman e integran sucesivamente. La matriz de tres pistas produce predicciones de estructura con precisiones cercanas a las de DeepMind en CASP14, permite resolver rápidamente problemas complejos de modelado de estructuras de cristalografía de rayos X y microscopía crioelectrónica, y proporciona información sobre funciones y proteínas de estructura actualmente desconocida. La red también permite la generación rápida de modelos precisos de complejos proteína-proteína a partir de la información de secuencia únicamente, sin pasar por los enfoques tradicionales que requieren el modelado de subunidades individuales seguido de acoplamiento. Ponemos el método a disposición de la comunidad científica para acelerar la investigación biológica.
«Jugador orgulloso. Gurú del café. Alcoholico galardonado. Entusiasta de la cerveza. Estudiante. Aficionado a los zombis. Lector. Especialista en música. Aficionado a la comida».
