Un nuovo framework di apprendimento automatico chiamato MULTI-evolve accelera notevolmente il processo di progettazione di proteine ad alte prestazioni, eliminando la necessità di innumerevoli esperimenti per tentativi ed errori. Questa svolta promette di accelerare i progressi nella medicina, nei biocarburanti e in varie applicazioni industriali.
La sfida della progettazione delle proteine
Le proteine sono fondamentali per molte tecnologie moderne, dai farmaci salvavita agli enzimi più efficienti nei detersivi per bucato. Migliorare le prestazioni delle proteine spesso richiede modifiche multiple e coordinate alle sequenze di amminoacidi. Tuttavia, lo scambio di un amminoacido può influenzare il modo in cui gli scambi futuri influiscono sulla funzione della proteina, creando un problema di ricerca complesso che tradizionalmente richiede molti cicli iterativi di test di laboratorio. Come osserva il bioingegnere Patrick Hsu, questo processo è stato storicamente “indovinare e verificare”.
Come funziona MULTI-evolve
MULTI-evolve affronta questa sfida integrando l’apprendimento automatico con esperimenti di laboratorio mirati. Il processo prevede tre passaggi chiave:
- Previsione di singole mutazioni: il sistema utilizza dati esistenti o modelli di apprendimento automatico per prevedere in che modo i cambiamenti dei singoli aminoacidi influenzano la funzione delle proteine.
- Mappatura delle interazioni: i ricercatori creano e testano proteine con mutazioni accoppiate per determinare come interagiscono tali cambiamenti. Ciò genera dati cruciali sugli effetti combinati.
- Addestramento del modello: i risultati di laboratorio vengono inseriti in un modello di apprendimento automatico, che quindi prevede le prestazioni delle proteine con cinque o più mutazioni in un singolo ciclo.
Prestazioni nel mondo reale
Il team dell’Università della California, Berkeley, e dell’Arc Institute ha testato MULTI-evolve su tre proteine, tra cui un anticorpo per le malattie autoimmuni e una proteina utilizzata nell’editing genetico CRISPR. In tutti i casi, il modello ha identificato combinazioni di mutazioni che hanno significativamente sovraperformato le proteine originali nei test di laboratorio. Ciò conferma che il sistema può selezionare in modo affidabile scambi efficaci.
Implicazioni e applicazioni future
MULTI-evolve ha il potenziale per rivoluzionare il modo in cui le proteine vengono ingegnerizzate. Hsu evidenzia due applicazioni promettenti: monitoraggio del movimento delle proteine all’interno delle cellule e sviluppo di terapie geniche più efficaci per le carenze enzimatiche. Si prevede che lo strumento cambierà il modo in cui gli scienziati affrontano la progettazione delle proteine, rendendo il processo più veloce, più preciso e, in definitiva, più produttivo.
“Siamo entusiasti di questo lavoro”, afferma Hsu. “Penso che ci sia un enorme interesse su come questo possa effettivamente cambiare la pratica della scienza”.
Questo nuovo quadro di apprendimento automatico rappresenta un importante passo avanti nella biotecnologia, offrendo un modo più efficiente e accurato per progettare proteine per un’ampia gamma di applicazioni critiche.
