El software de IA ofrece una hoja de ruta para los descubrimientos biológicos
Predecir la ubicación de una proteína en una célula puede ayudar a los investigadores a desbloquear una gran cantidad de información biológica que es esencial para desarrollar futuros descubrimientos científicos relacionados con el desarrollo de fármacos y el tratamiento de enfermedades como la epilepsia. Eso es porque las proteínas son los «caballos de batalla» del cuerpo, en gran parte responsables de la mayoría de las funciones celulares.
Recientemente, Dong Xu, profesor curatorial emérito en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación de la Universidad de Missouri, y sus colegas actualizaron su modelo de predicción de localización de proteínas, MULocDeep, con la capacidad de proporcionar predicciones más específicas, incluidos modelos específicos para animales, humanos y plantas. El modelo fue creado hace 10 años por Xu y su colega investigador de MU Jay Thelen, profesor de bioquímica, para estudiar originalmente las proteínas en las mitocondrias.
«Muchos descubrimientos biológicos necesitan ser validados por experimentos, pero no queremos que los investigadores tengan que gastar tiempo y dinero realizando miles de experimentos para llegar allí», dijo Xu. “Un enfoque más específico ahorra tiempo. Nuestra herramienta proporciona un recurso útil para los investigadores al ayudarlos a llegar a sus hallazgos más rápido, ya que podemos ayudarlos a diseñar experimentos más específicos a partir de los cuales avanzar en su investigación de manera más efectiva.
Al aprovechar el poder de la inteligencia artificial a través de una técnica de aprendizaje automático (capacitar a las computadoras para hacer predicciones utilizando los datos existentes), el modelo puede ayudar a los investigadores a estudiar los mecanismos asociados con las ubicaciones irregulares de proteínas, conocidas como «localización incorrecta», o cuando una proteína va a un sitio diferente. lugar de lo que se supone. Esta anormalidad a menudo se asocia con enfermedades como trastornos metabólicos, cánceres y trastornos neurológicos.
«Algunas enfermedades son causadas por una mala localización, lo que impide que la proteína realice una función según lo previsto porque no puede alcanzar un objetivo o va allí de manera ineficiente», dijo Xu.
Otra aplicación del modelo predictivo del equipo es ayudar a diseñar medicamentos dirigiéndose a una proteína mal ubicada y moviéndola al lugar correcto, dijo Xu.
Este trabajo cuenta actualmente con el apoyo de la Fundación Nacional de Ciencias. En el futuro, Xu espera recibir fondos adicionales para ayudar a aumentar la precisión del modelo y desarrollar más funciones.
“Queremos seguir mejorando el modelo para determinar si una mutación en una proteína podría causar una mala localización, si las proteínas se distribuyen en más de un compartimento celular o cómo los péptidos señal pueden ayudar a predecir la localización con mayor precisión”, dijo Xu. “Si bien no ofrecemos soluciones para el desarrollo de medicamentos o tratamientos para varias enfermedades per se, nuestra herramienta puede ayudar a otros a desarrollar soluciones médicas. La ciencia hoy en día es como un gran negocio. Diferentes personas juegan diferentes roles, y trabajando juntos podemos hacer mucho bien para todos.
Actualmente, Xu está trabajando con colegas para desarrollar un curso en línea gratuito para estudiantes de secundaria y universitarios basado en los conceptos biológicos y bioinformáticos utilizados en el modelo y espera que el curso esté disponible a finales de este año.
Xu y sus colegas también notaron un conflicto de intereses: mientras que la versión en línea de MULocDeep está disponible para usuarios académicos, también hay una versión independiente disponible comercialmente por una tarifa de licencia.
«Servicio web MULocDeep para la predicción y visualización de la localización de proteínas a nivel subcelular y suborgánicofue publicado en la revista Nucleic Acids Research. Los coautores son Yuexu Jiang, Lei Jiang, Chopparapu Sai Akhil, Duolin Wang, Ziyang Zhang y Weinan Zhang de MU.
