Cient\u00edficos 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 p\u00e9ptidos con una precisi\u00f3n sin precedentes.\u00a0<\/b><\/p>\n
Los p\u00e9ptidos son peque\u00f1as mol\u00e9culas formadas por amino\u00e1cidos, los componentes b\u00e1sicos de las prote\u00ednas.\u00a0<\/span><\/p>\n Aunque los p\u00e9ptidos son similares a las prote\u00ednas, son mucho m\u00e1s peque\u00f1os y flexibles, lo que les permite plegarse en una enorme variedad de formas.\u00a0<\/span><\/p>\n La forma espec\u00edfica de un p\u00e9ptido es crucial porque determina c\u00f3mo interact\u00faa con otras mol\u00e9culas del organismo, lo que a su vez dicta su funci\u00f3n biol\u00f3gica.<\/span><\/p>\n Predecir las estructuras de prote\u00ednas y p\u00e9ptidos es un reto de larga data en biolog\u00eda. Debido a la complejidad matem\u00e1tica que entra\u00f1a, es un problema excelente para el aprendizaje autom\u00e1tico.\u00a0<\/span><\/p>\n En los \u00faltimos a\u00f1os, modelos de IA como <\/span>AlphaFold 2 y 3<\/span><\/a>desarrollado por DeepMind de Google, han revolucionado la predicci\u00f3n de la estructura de las prote\u00ednas.\u00a0<\/span><\/p>\n AlphaFold2 utiliza el aprendizaje profundo para predecir la estructura 3D m\u00e1s probable de una prote\u00edna a partir de su secuencia de amino\u00e1cidos. Pero<\/span>unque AlphaFold2 ha tenido un \u00e9xito incre\u00edble con las prote\u00ednas, tiene limitaciones cuando se trata de mol\u00e9culas muy flexibles, como los p\u00e9ptidos.<\/span><\/p>\n \"Hasta ahora no hab\u00edamos podido modelizar toda la gama de conformaciones de los p\u00e9ptidos\". <\/span>dijo Osama Abdin<\/span><\/a>primer autor del estudio.<\/span><\/p>\n Pepflow, documentado en un estudio publicado<\/a> en Nature Machine Intelligence, \"aprovecha el aprendizaje profundo para capturar las conformaciones precisas y exactas de un p\u00e9ptido en cuesti\u00f3n de minutos\".<\/span><\/p>\n PepFlow emplea modelos de IA inspirados en Boltzmann generators.<\/span> Estos modelos aprenden los principios f\u00edsicos fundamentales que rigen el modo en que la estructura qu\u00edmica de un p\u00e9ptido determina su espectro de formas posibles.\u00a0<\/span><\/p>\n Esto permite a PepFlow predecir con precisi\u00f3n las estructuras de p\u00e9ptidos con caracter\u00edsticas inusuales, como los p\u00e9ptidos circulares formados mediante macrociclizaci\u00f3n. Los p\u00e9ptidos macroc\u00edclicos son especialmente interesantes para el desarrollo de f\u00e1rmacos debido a sus propiedades de uni\u00f3n \u00fanicas.<\/span><\/p>\n Lo que diferencia a PepFlow de modelos como AlphaFold2 es su capacidad para predecir no s\u00f3lo una estructura, sino todo el \"paisaje energ\u00e9tico\" de un p\u00e9ptido.\u00a0<\/span><\/p>\n El paisaje energ\u00e9tico representa todas las formas posibles que puede adoptar un p\u00e9ptido y c\u00f3mo transita entre estas diferentes conformaciones.<\/span><\/p>\n Captar esta complejidad estructural es clave para u<\/span>ntender c\u00f3mo funcionan los p\u00e9ptidos en diferentes contextos biol\u00f3gicos.<\/span><\/p>\n Los investigadores de @UofT<\/a> han desarrollado un #DeepLearning<\/a> llamado PepFlow, que puede predecir todas las formas posibles de los p\u00e9ptidos.<\/p>\n PepFlow puede informar sobre el desarrollo de f\u00e1rmacos mediante el dise\u00f1o de p\u00e9ptidos que act\u00faan como aglutinantes. 1TP5DrugDiscovery<\/a><\/p>\n M\u00e1s informaci\u00f3n \ud83d\udc49 https:\/\/t.co\/eAKOg5e7Cz<\/a> pic.twitter.com\/mYP9YeiCOe<\/a><\/p>\n - Centro Donnelly (@DonnellyCentre) 27 de junio de 2024<\/a><\/p><\/blockquote>\n\n