Gli scienziati del Donelly Centre dell'Università di Toronto hanno sviluppato un modello di intelligenza artificiale all'avanguardia, chiamato PepFlow, in grado di prevedere le diverse forme adottate dai peptidi con una precisione senza precedenti.
I peptidi sono piccole molecole composte da aminoacidi, i mattoni delle proteine.
I peptidi sono simili alle proteine, ma sono molto più piccoli e flessibili, il che consente loro di ripiegarsi in una grande varietà di forme.
La forma specifica di un peptide è fondamentale perché determina il modo in cui interagisce con altre molecole dell'organismo, che a sua volta determina la sua funzione biologica.
La previsione delle strutture di proteine e peptidi è una sfida di lunga data in biologia. A causa della complessa matematica coinvolta, è un problema eccellente per l'apprendimento automatico.
Negli ultimi anni, modelli di IA come AlphaFold 2 e 3sviluppati da DeepMind di Google, hanno rivoluzionato la previsione della struttura delle proteine.
AlphaFold2 utilizza il deep learning per prevedere la struttura 3D più probabile di una proteina in base alla sua sequenza di amminoacidi. Ma wa AlphaFold2 ha avuto un successo incredibile per le proteine, ma ha dei limiti quando si tratta di molecole altamente flessibili come i peptidi.
"Finora non siamo stati in grado di modellare l'intera gamma di conformazioni dei peptidi". ha detto Osama Abdin, primo autore dello studio.
Pepflow, documentato in un studio pubblicato in Nature Machine Intelligence, "sfrutta l'apprendimento profondo per catturare le conformazioni precise e accurate di un peptide in pochi minuti".
PepFlow impiega modelli di intelligenza artificiale ispirati ai generatori di Boltzmann. Questi modelli apprendono i principi fisici fondamentali che regolano il modo in cui la struttura chimica di un peptide determina il suo spettro di forme possibili.
Ciò consente a PepFlow di prevedere con precisione le strutture di peptidi con caratteristiche insolite, come i peptidi circolari formati per macrociclizzazione. I peptidi macrociclici sono particolarmente interessanti per lo sviluppo di farmaci grazie alle loro proprietà di legame uniche.
Ciò che distingue PepFlow da modelli come AlphaFold2 è la sua capacità di prevedere non solo una struttura, ma l'intero "paesaggio energetico" di un peptide.
Il paesaggio energetico rappresenta tutte le possibili forme che un peptide può assumere e il modo in cui passa tra queste diverse conformazioni.
Catturare questa complessità strutturale è fondamentale per undividuare il funzionamento dei peptidi in diversi contesti biologici.
I ricercatori di @UofT hanno sviluppato un #DeepLearning modello, chiamato PepFlow, in grado di prevedere tutte le possibili forme dei peptidi.
PepFlow può informare lo sviluppo di farmaci attraverso la progettazione di peptidi che agiscono come leganti. #DrugDiscovery
Per saperne di più 👉 https://t.co/eAKOg5e7Cz pic.twitter.com/mYP9YeiCOe
- Centro Donnelly (@DonnellyCentre) 27 giugno 2024
Significato
La capacità di prevedere strutture peptidiche altamente accurate ha importanti implicazioni per lo sviluppo di terapie a base di peptidi.
"I peptidi sono stati al centro del modello PepFlow perché sono molecole biologiche molto importanti e naturalmente molto dinamiche, quindi dobbiamo modellare le loro diverse conformazioni per capire la loro funzione", ha spiegato Philip M. Kim, ricercatore principale dello studio.
"Sono importanti anche come terapie, come dimostrano gli analoghi del GLP1, come Ozempic, usati per trattare il diabete e l'obesità".
I farmaci peptidici presentano diversi vantaggi rispetto ai farmaci tradizionali a base di piccole molecole e ai terapici più grandi a base di proteine. Sono più specifici nelle loro azioni, hanno una tossicità inferiore rispetto ai farmaci a piccole molecole e sono più economici e facili da produrre rispetto ai farmaci proteici più grandi.
PepFlow potrebbe accelerare la scoperta e lo sviluppo di nuovi farmaci a base di peptidi, consentendo la progettazione di peptidi con proprietà terapeutiche.
"Ci sono voluti due anni e mezzo per sviluppare PepFlow e un mese per addestrarlo, ma è valsa la pena di passare alla frontiera successiva, al di là dei modelli che prevedono solo una struttura di un peptide", ha concluso Abdin.
Questo segue il rilascio di EvolutionaryScale ESM3 questa settimana, un modello generativo di frontiera per la biologia, che si concentra anche sulle proteine.
