Un nuevo marco de aprendizaje automático del MIT busca ir más allá de las secuencias naturales en el diseño de proteínas

Investigadores del Departamento de Biología del MIT han desarrollado PottsMPNN, un nuevo marco de aprendizaje automático orientado a mejorar la tasa de éxito del diseño computacional de proteínas y a alejarse de los resultados que simplemente reproducen secuencias encontradas en la naturaleza. El modelo incorpora los principios físicos que rigen la estructura y la estabilidad de las proteínas, lo que mejora la generación de secuencias y la capacidad de predecir cómo afectarán las mutaciones a la estabilidad. Gracias a este enfoque, el marco comprende mejor el paisaje secuencia-energía, es decir, la relación entre la identidad de cada aminoácido y la estabilidad de la proteína. Según los autores, añadir PottsMPNN a un proceso de diseño permitirá crear proteínas estructuralmente viables con secuencias que no se parecen a ninguna proteína nativa, avanzando hacia diseños de proteínas novedosas con diversas aplicaciones.