Científicos del Centro Donelly de la Universidad de Toronto han desarrollado un modelo de IA de vanguardia llamado PepFlow que puede predecir las diversas formas que adoptan los péptidos con una precisión sin precedentes.
Los péptidos son pequeñas moléculas formadas por aminoácidos, los componentes básicos de las proteínas.
Aunque los péptidos son similares a las proteínas, son mucho más pequeños y flexibles, lo que les permite plegarse en una enorme variedad de formas.
La forma específica de un péptido es crucial porque determina cómo interactúa con otras moléculas del organismo, lo que a su vez dicta su función biológica.
Predecir las estructuras de proteínas y péptidos es un reto de larga data en biología. Debido a la complejidad matemática que entraña, es un problema excelente para el aprendizaje automático.
En los últimos años, modelos de IA como AlphaFold 2 y 3desarrollado por DeepMind de Google, han revolucionado la predicción de la estructura de las proteínas.
AlphaFold2 utiliza el aprendizaje profundo para predecir la estructura 3D más probable de una proteína a partir de su secuencia de aminoácidos. Perounque AlphaFold2 ha tenido un éxito increíble con las proteínas, tiene limitaciones cuando se trata de moléculas muy flexibles, como los péptidos.
"Hasta ahora no habíamos podido modelizar toda la gama de conformaciones de los péptidos". dijo Osama Abdinprimer autor del estudio.
Pepflow, documentado en un estudio publicado en Nature Machine Intelligence, "aprovecha el aprendizaje profundo para capturar las conformaciones precisas y exactas de un péptido en cuestión de minutos".
PepFlow emplea modelos de inteligencia artificial inspirados en los generadores de Boltzmann. Estos modelos aprenden los principios físicos fundamentales que rigen el modo en que la estructura química de un péptido determina su espectro de formas posibles.
Esto permite a PepFlow predecir con precisión las estructuras de péptidos con características inusuales, como los péptidos circulares formados mediante macrociclización. Los péptidos macrocíclicos son especialmente interesantes para el desarrollo de fármacos debido a sus propiedades de unión únicas.
Lo que diferencia a PepFlow de modelos como AlphaFold2 es su capacidad para predecir no sólo una estructura, sino todo el "paisaje energético" de un péptido.
El paisaje energético representa todas las formas posibles que puede adoptar un péptido y cómo transita entre estas diferentes conformaciones.
Captar esta complejidad estructural es clave para untender cómo funcionan los péptidos en diferentes contextos biológicos.
Los investigadores de @UofT han desarrollado un #DeepLearning llamado PepFlow, que puede predecir todas las formas posibles de los péptidos.
PepFlow puede informar sobre el desarrollo de fármacos mediante el diseño de péptidos que actúan como aglutinantes. 1TP5DrugDiscovery
Más información 👉 https://t.co/eAKOg5e7Cz pic.twitter.com/mYP9YeiCOe
- Centro Donnelly (@DonnellyCentre) 27 de junio de 2024
Significado
La capacidad de predecir estructuras peptídicas con gran precisión tiene importantes implicaciones para el desarrollo de terapias basadas en péptidos.
"El modelo PepFlow se centró en los péptidos porque son moléculas biológicas muy importantes y, naturalmente, muy dinámicas, por lo que necesitamos modelar sus distintas conformaciones para comprender su función", explicó Philip M. Kim, investigador principal del estudio.
"También son importantes como terapéuticos, como demuestran los análogos del GLP1, como Ozempic, utilizados para tratar la diabetes y la obesidad".
Los fármacos peptídicos tienen varias ventajas sobre los medicamentos tradicionales de moléculas pequeñas y las terapias basadas en proteínas de mayor tamaño. Son más específicos en su acción, tienen menor toxicidad que los fármacos de moléculas pequeñas y son más baratos y fáciles de producir que los fármacos proteicos de mayor tamaño.
PepFlow podría acelerar el descubrimiento y desarrollo de nuevos medicamentos basados en péptidos al permitir el diseño de péptidos con propiedades terapéuticas.
"Hemos tardado dos años y medio en desarrollar PepFlow y un mes en entrenarlo, pero ha merecido la pena para pasar a la siguiente frontera, más allá de los modelos que sólo predicen una estructura de un péptido", concluye Abdin.
Tras la publicación de EvolutionaryScale ESM3 esta semanaun modelo generativo de frontera para la biología, que también se centra en las proteínas.
