p Cientistas e engenheiros estão em uma busca para desenvolver dispositivos eletrônicos que sejam compatíveis com nossos corpos:pense em materiais que podem ajudar a conectar os neurônios novamente após lesões cerebrais, ou ferramentas de diagnóstico que podem ser facilmente absorvidas pelo corpo. p Uma família de peptídeos de automontagem, chamados oligopeptídeos conjugados com π, tem se mostrado promissor ao se tornar a base da próxima geração desses eletrônicos, materiais biocompatíveis. Mas identificar as sequências moleculares corretas para criar as nanoestruturas automontadas ideais exigiria o teste de milhares de possibilidades, cada uma delas levando aproximadamente um mês para serem testadas em laboratório.

p Assoc. O Prof. Andrew Ferguson e seus colaboradores aceleraram esse processo, desenvolvendo ferramentas de aprendizado de máquina que podem selecionar os melhores candidatos. Pela triagem 8, 000 candidatos de peptídeos automontados, a equipe foi capaz de classificar cada design. Isso abre caminho para que experimentalistas testem os candidatos mais promissores.

p Os resultados foram publicados em The Journal of Physical Chemistry B . O artigo também foi selecionado como a Escolha dos Editores da ACS, que oferece acesso público gratuito a novas pesquisas importantes para a comunidade científica global, e para ser destaque na capa do jornal.

p "Ao compreender a ciência de dados, Ciência de materiais, e ciência molecular, conseguimos encontrar uma maneira inovadora de selecionar novos candidatos possíveis, "Ferguson disse." O fato de que este artigo foi escolhido como uma Escolha dos Editores da ACS mostra que há muito interesse em acoplar inteligência artificial à ciência de domínio. É um problema importante de amplo interesse para a comunidade físico-química. "

p Classificação de peptídeos para experimentalistas

p Para ajudar a encontrar os melhores candidatos, Ferguson e o estudante de graduação Kirill Shmilovich examinaram uma família de oligopeptídeos conjugados com π usando aprendizado de máquina e simulação molecular. O conjunto incluiu 8, 000 peptídeos potenciais, se os pesquisadores mantivessem o mesmo núcleo e apenas mudassem os três aminoácidos de cada lado da molécula. (Os aminoácidos nas laterais são simétricos - se você mudar um de um lado, muda do outro lado, também.)

p Usando uma forma de aprendizado de máquina conhecida como aprendizado ativo ou otimização Bayesiana para guiar as simulações moleculares, eles foram capazes de construir modelos baseados em dados confiáveis ​​de como a sequência do peptídeo influenciou suas propriedades após considerar apenas 186 peptídeos.

p As previsões do modelo poderiam então ser extrapoladas de forma confiável para prever as propriedades do resto da família de peptídeos. O processo também removeu o preconceito humano da equação, permitir que a inteligência artificial encontrasse características de designs de peptídeos que os pesquisadores não haviam considerado antes, que na verdade os tornava candidatos melhores.

p Eles então classificaram cada peptídeo e entregaram seus resultados aos seus colaboradores experimentais, que testará os melhores candidatos no laboratório. Próximo, eles esperam expandir seu sistema para incluir a experimentação de diferentes núcleos conjugados com π, enquanto alimentam novos dados experimentais de volta ao loop para fortalecer ainda mais seus modelos.

p Eles também esperam usar este sistema de aprendizado de máquina para projetar proteínas, otimizando coloides de automontagem para fazer cristais atômicos, e até mesmo um dia incorporar essas ferramentas em um laboratório autônomo, onde a inteligência artificial levaria dados, criar previsões, fazer experimentos, em seguida, devolva esses dados ao modelo - tudo sem intervenção humana.

p "Este é um método que pode ser útil em muitos domínios diferentes, "Ferguson disse.