Vikas Nanda ha pasado más de dos décadas estudiando las complejidades de las proteínas, las sustancias altamente complejas presentes en todos los organismos vivos. El científico de Rutgers ha contemplado durante mucho tiempo cómo los patrones únicos de aminoácidos que componen las proteínas determinan si se convierten en algo, desde hemoglobina hasta colágeno, así como el subsiguiente y misterioso paso del autoensamblaje en el que solo ciertas proteínas se agrupan para formar sustancias aún más complejas. .
Entonces, cuando los científicos quisieron realizar un experimento que enfrentara a un ser humano, uno con una comprensión profunda e intuitiva del diseño de proteínas y el autoensamblaje, contra las capacidades predictivas de un programa de computadora con inteligencia artificial, Nanda, investigadora del Centro de Desarrollo Avanzado. Biotecnología y Medicina (CABM) en Rutgers, fue uno de los primeros en la lista.
Ahora, los resultados para ver quién, o qué, podría hacer un mejor trabajo al predecir qué secuencias de proteínas se combinarían con más éxito ya están disponibles. Nanda, junto con investigadores del Laboratorio Nacional Argonne en Illinois y colegas de todo el país, informa en Química de la naturaleza que la batalla fue reñida pero decisiva. La competencia que enfrenta a Nanda y varios colegas contra un programa de inteligencia artificial (IA) ha sido ganada, muy levemente, por el programa de computadora.
Los científicos están profundamente interesados en el autoensamblaje de proteínas porque creen que comprenderlo mejor podría ayudarlos a diseñar una gran cantidad de productos revolucionarios para usos médicos e industriales, como tejido humano artificial para heridas y catalizadores para nuevos productos químicos.
«A pesar de nuestra amplia experiencia, la IA funcionó tan bien o mejor en varios conjuntos de datos, lo que demuestra el tremendo potencial del aprendizaje automático para superar el sesgo humano», dijo Nanda, profesor del Departamento de Bioquímica y Biología Molecular de Rutgers Robert Wood Johnson Medical. Escuela.
Las proteínas están formadas por un gran número de aminoácidos unidos de extremo a extremo. Las cadenas se pliegan para formar moléculas tridimensionales con formas complejas. La forma precisa de cada proteína, junto con los aminoácidos que contiene, determina lo que hace. Algunos investigadores, como Nanda, se involucran en el «diseño de proteínas», creando secuencias que producen nuevas proteínas. Recientemente, Nanda y un equipo de investigadores diseñaron una proteína sintética que detecta rápidamente VX, un peligroso agente nervioso, y podría allanar el camino para nuevos biosensores y tratamientos.
Por razones que se desconocen en gran medida, las proteínas se autoensamblarán con otras proteínas para formar superestructuras importantes en biología. A veces, las proteínas parecen seguir un diseño, como cuando se autoensamblan en una capa exterior protectora de un virus, conocida como cápside. En otros casos, se autoensamblan cuando algo sale mal, formando estructuras biológicas mortales asociadas con enfermedades tan variadas como el Alzheimer y la anemia drepanocítica.
«Comprender el autoensamblaje de proteínas es fundamental para lograr avances en muchos campos, incluida la medicina y la industria», dijo Nanda.
En el experimento, a Nanda y otros cinco colegas se les dio una lista de proteínas y se les pidió que predijeran cuáles tenían más probabilidades de autoensamblarse. Sus predicciones se compararon con las realizadas por el programa informático.
Los expertos humanos, empleando reglas empíricas basadas en su observación del comportamiento de las proteínas en los experimentos, incluidos los patrones de cargas eléctricas y el grado de aversión al agua, eligieron 11 proteínas que predijeron que se autoensamblarían. El programa de computadora, basado en un sistema avanzado de aprendizaje automático, eligió nueve proteínas.
Los humanos acertaron en seis de las 11 proteínas que eligieron. El programa de computadora obtuvo un porcentaje más alto, con seis de las nueve proteínas que recomendó capaces de autoensamblarse.
El experimento mostró que los expertos humanos «prefirieron» algunos aminoácidos sobre otros, lo que a veces los llevó a elecciones incorrectas. Además, el programa de computadora señaló correctamente algunas proteínas con cualidades que no las convertían en opciones obvias para el autoensamblaje, lo que abrió la puerta a más investigaciones.
La experiencia ha hecho que Nanda, que alguna vez dudó del aprendizaje automático para las investigaciones de ensamblaje de proteínas, esté más abierto a la técnica.
«Estamos trabajando para obtener una comprensión fundamental de la naturaleza química de las interacciones que conducen al autoensamblaje, por lo que me preocupaba que el uso de estos programas impida obtener información importante», dijo Nanda. «Pero lo que realmente estoy empezando a entender es que el aprendizaje automático es solo otra herramienta, como cualquier otra».
Otros investigadores en el artículo incluyeron a Rohit Batra, Henry Chan, Srilok Srinivasan, Harry Fry y Subramanian Sankaranarayanan, todos del Laboratorio Nacional de Argonne; Troy Loeffler, Laboratorio Nacional de Aceleradores SLAC; Honggang Cui, Universidad Johns Hopkins; Ivan Korendovych, Universidad de Siracusa; Liam Palmer, Universidad del Noroeste; y Lee Solomon, Universidad George Mason.