LA INTERSECCIÓN DE LA BIOLOGÍA SINTÉTICA Y LA INTELIGENCIA ARTIFICIAL
El futuro se está
volviendo más extraño, pero también está lleno de un inmenso potencial
para abordar algunos de los desafíos más apremiantes que enfrentan los
pacientes en la actualidad. La fusión de la inteligencia artificial (IA)
y la biología sintética cambiará nuestro mundo de maneras que no
podríamos haber imaginado. Tengan paciencia conmigo: hace solo unas
semanas, se informó que la IA generativa puede mejorar el desarrollo de
anticuerpos. En lugar de procesar grandes cantidades de texto, estos
modelos de IA aprenden de decenas de millones de secuencias de proteínas
(1). Los investigadores han utilizado estos modelos para crear
proteínas completamente nuevas (2) y para predecir con precisión las
estructuras de las proteínas (3). Es un ejemplo fascinante del potencial
de la IA en el mundo de la biología sintética. Lo que una vez fue visto
como ciencia ficción ahora ya no es ciencia ficción, ya que el
biodiseño impulsado por la IA se convierte en una realidad.
A
medida que estos campos se unan, remodelarán nuestra comprensión de la
vida y la computación. Invertir en biotecnología es cada vez más
emocionante cada año, ya que estamos alimentando este campo en rápida
evolución. Es esencial que los VC puedan imaginar el panorama futuro y
prepararse para nuestras inversiones futuras. Aquí hay un mapa
conceptual que destaca algunas de las áreas más prometedoras que surgen
de esta emocionante combinación de tecnologías. #quick_note_LP
(1) Hie, B. L. et al. Nature Biotechnol. https://lnkd.in/dE_JW9ZE (2023).
(2) Shanehsazzadeh, A. et al. Preprint en BioRxiv https://lnkd.in/dHbdEj7v).
(3) Eguchi, R. R. et al. Preprint en BioRxiv https://lnkd.in/dfjXcB6N (2022).
"Es esencial que los VC puedan imaginar el panorama futuro y prepararse para nuestras inversiones futuras".
Además, es clave para el sector de VC comprender la base de la tecnología, debido a su complejidad. No todo es IA ni es necesario. Veo recientemente tantas startups que reclaman expectativas infladas y mérito técnico debido a la integración de IA, (lo que es simplemente un par de algoritmos complejos ya programados, más o menos complejos)
Además, la intensidad de capital de la fase de aprendizaje de IA debe entenderse claramente, la claridad y el acceso a los datos, la rápida evolución del panorama competitivo, las estrategias de comercialización ... Una mezcla de características no tan comunes que entrarán en el sector bio, que no solían estar presentes. Un reto para todo el sector.
https://www.linkedin.com/in/albertmascarell/
https://www.linkedin.com/feed/update/urn:li:activity:7061574160363233280/
"La IA ya está presente hace décadas en la biología estructural, pero los niveles que está alcanzando, combinada con la biología sintética.."Jaime
"Aunque la IA ha logrado avances significativos en la predicción de nuevas proteínas con alta precisión, no puede considerarse una solución completa sin una comprensión profunda de cómo funciona la naturaleza. Esto incluye estudiar cómo se generan y seleccionan las variantes protectoras, lo que en última instancia conduce a una reducción del daño a los órganos / tejidos durante las enfermedades o una mayor tolerancia a los medicamentos en el cuerpo. Este conocimiento es crucial para crear verdaderas soluciones que cambien el juego en el campo de la medicina."Francesco
Deep Generative Design of Epitope-Specific Binding Proteins by Latent Conformation Optimization
El diseño de proteínas de unión de novo contra epítopos arbitrarios utilizando un único andamiaje, como ocurre con los anticuerpos naturales, sigue siendo un reto sin resolver en el diseño de proteínas. Los métodos de diseño actuales no son capaces de captar la dinámica estructural de los bucles flexibles ni de buscar en el espacio conformacional de los bucles de una manera basada en principios. Aquí presentamos Sculptor, un algoritmo de diseño generativo profundo que crea ligantes proteicos epítopo-específicos. El algoritmo Sculptor constituye una búsqueda conjunta sobre las posiciones, interacciones y conformaciones generadas de un pliegue, y crea un esqueleto para complementar un epítopo especificado por el usuario. Las secuencias se diseñan sobre los esqueletos generados mediante una combinación de una base de datos de interacciones por residuos, un módulo de diseño convolucional de secuencias y Rosetta. En lugar de basarnos en estructuras estáticas, capturamos el paisaje conformacional local de un único pliegue mediante dinámica molecular, y demostramos que un modelo entrenado con datos conformacionales tan densos puede generar esqueletos a la medida de un epítopo. Utilizamos Sculptor para diseñar aglutinantes contra un epítopo conservado en toxinas venenosas implicadas en la parálisis neuromuscular, y obtenemos un aglutinante multitoxina a partir de una pequeña biblioteca ingenua, un paso prometedor hacia la creación de aglutinantes ampliamente neutralizantes. Este estudio constituye una novedosa aplicación del modelado generativo profundo para el diseño de epítopos, aprovechando la dinámica conformacional para lograr la función.
Efficient evolution of human antibodies from general protein language models
La evolución natural debe explorar un vasto paisaje de posibles secuencias en busca de mutaciones deseables pero raras, lo que sugiere que el aprendizaje de las estrategias evolutivas naturales podría guiar la evolución artificial. Aquí se demuestra que los modelos generales de lenguaje proteínico pueden hacer evolucionar eficazmente los anticuerpos humanos sugiriendo mutaciones evolutivamente plausibles, pese a no proporcionar al modelo ninguna información sobre el antígeno diana, la especificidad de unión o la estructura de la proteína. Hemos llevado a cabo la maduración de afinidad guiada por modelos lingüísticos de siete anticuerpos, seleccionando 20 o menos variantes de cada anticuerpo en sólo dos rondas de evolución en laboratorio, y hemos mejorado las afinidades de unión de cuatro anticuerpos clínicamente relevantes y muy maduros hasta siete veces y de tres anticuerpos no maduros hasta 160 veces, con muchos diseños que también demuestran una termoestabilidad favorable y una actividad de neutralización viral frente a los pseudovirus del Ébola y del síndrome respiratorio agudo severo coronavirus 2 (SARS-CoV-2). Los mismos modelos que mejoran la unión de los anticuerpos también guían una evolución eficiente en diversas familias de proteínas y presiones de selección, como la resistencia a los antibióticos y la actividad enzimática, lo que sugiere que estos resultados se generalizan a muchos entornos.
Principal
La evolución busca en un inmenso espacio de secuencias posibles mutaciones raras que mejoren la aptitud1,2 . En la naturaleza, esta búsqueda se basa en procesos simples de mutación aleatoria y recombinación1, pero utilizar el mismo enfoque para la evolución dirigida de proteínas en el laboratorio3 impone una carga experimental considerable. La evolución artificial basada en conjeturas aleatorias o en la búsqueda por fuerza bruta suele dedicar un esfuerzo considerable a interrogar proteínas poco activas o no funcionales, lo que requiere un alto rendimiento experimental para identificar variantes con una aptitud mejorada4,5.
Aunque la aptitud evolutiva viene determinada, en parte, por presiones de selección específicas, también hay propiedades que se aplican de forma más general a una familia de proteínas o que son requisitos previos para la aptitud y la función en la mayoría de las proteínas; por ejemplo, algunas mutaciones mantienen o mejoran la estabilidad o la evolucionabilidad6,7, mientras que otras son estructuralmente desestabilizadoras7 o inducen estados incompetentes o mal plegados8. Una forma de mejorar la eficiencia de la evolución consiste en garantizar que las mutaciones se adhieran a estas propiedades generales, lo que denominamos plausibilidad evolutiva. La identificación de mutaciones plausibles podría ayudar a guiar la evolución lejos de regímenes inválidos9 , mejorando así indirectamente la eficiencia evolutiva sin requerir ningún conocimiento explícito de la función de interés.
https://www.nature.com/articles/s41587-023-01763-2
No hay comentarios:
Publicar un comentario