Ultima temporada, O quarterback do Kansas City Chiefs, Patrick Mahomes, ostentou um percentual de aprovação de 66,3.

Mas as estatísticas impressionantes de Mahomes empalidecem em comparação com a precisão de MAHOMES, ou heurística de atividade de metal de metaloproteína e sítios enzimáticos, um modelo de aprendizado de máquina desenvolvido na Universidade de Kansas - e nomeado em homenagem ao zagueiro - que poderia resultar em terapias medicamentosas mais baratas e ecológicas e outros produtos industriais.

Em vez de almejar receptores largos, MAHOMES diferencia metais enzimáticos e não enzimáticos em proteínas com uma taxa de precisão de 92,2%. Uma equipe da KU publicou recentemente resultados sobre esta abordagem de aprendizado de máquina para diferenciação de enzimas em Nature Communications .

"As enzimas são proteínas superinteressantes que fazem toda a química - uma enzima faz uma reação química em algo para transformá-lo de uma coisa para outra, "disse a autora correspondente Joanna Slusky, professor associado de biociências moleculares e biologia computacional na KU. "Tudo o que você traz para o seu corpo, seu corpo o decompõe e o transforma em coisas novas, e aquele processo de decomposição e transformação em coisas novas - tudo isso devido às enzimas. "

Slusky e colaboradores de estudantes de pós-graduação em seu laboratório, Ryan Feehan (o fã do Chiefs que nomeou MAHOMES) e Meghan Franklin, do Centro de Biologia Computacional da KU, procurou usar computadores para distinguir entre metaloproteínas, que não realizam reações químicas, e metaloenzimas, que facilitam as reações químicas com incrível poder e eficiência.

O problema é que as metaloproteínas e as metaloenzimas são idênticas em muitos aspectos.

"As pessoas não sabem exatamente como as enzimas funcionam, "Slusky disse." Para qualquer enzima, você pode dizer, "OK, você sabe, tira esse hidrogênio e coloca no grupo -OH, "ou o que quer que seja. Mas se eu lhe desse uma proteína que você nunca tinha visto antes e eu perguntasse, 'Qual extremidade está acima? De que lado disso está a reação ?, ' tu, como cientista e até mesmo como enzimologista, provavelmente não poderia me dizer. Agora, uma das chaves é que cerca de 40% de todas as enzimas usam metais para a catálise - então, sua proteína se liga a um metal e então tudo o que está sendo alterado entra naquele local ativo e é alterado. Vemos isso essas proteínas de ligação a metais e metaloenzimas, que são enzimas que ligam metais, como uma tremenda oportunidade para nós, porque meu laboratório está interessado em aprendizado de máquina que pode fazer um trabalho realmente bom em diferenciar locais de enzimas de locais semelhantes, mas não enzimáticos. "

Como estudante de graduação da KU, o co-autor principal Feehan começou a compilar o maior conjunto de dados estruturais do mundo de sítios de metaloproteína enzimática e não enzimática - trabalho que continuou em sua carreira como estudante de graduação. Então, ele disponibilizou o conjunto de dados gratuitamente para outros pesquisadores no Github.

"Os dados estruturais são muito difíceis de obter, "Slusky disse." Mas se você estiver interessado no que são a física e a química, e onde esses átomos estão, e o que eles podem fazer nesses relacionamentos, você precisa de estruturas de proteínas. A parte difícil disso foi obter um monte de estruturas de sítios de enzimas, sabendo que eram sítios de enzimas, em seguida, obter um monte de sítios não enzimáticos que ligavam metais - e saber que não eram enzimas - e retirá-los de um grande banco de dados estrutural. "

Feehan foi capaz de encontrar milhares de sítios únicos de ligação de metal ativos e inativos, em seguida, testou abordagens de aprendizado de máquina para distinguir entre os dois. Para conseguir isso, Feehan e Franklin treinaram um modelo de aprendizagem por computador (MAHOMES) para examinar uma fenda em uma proteína e prever se essa fenda poderia fazer química (o que significa que era uma enzima). Ao olhar para as características físico-químicas, O MAHOMES alcançou 92,2% de precisão e 90,1% de recall ao distinguir os sites ativos e inativos.

Slusky disse que a abordagem pode ser um passo importante para tornar as enzimas mais úteis para a produção de terapias medicamentosas que salvam vidas e uma série de outros processos industriais. De fato, a abordagem pioneira pela equipe KU pode até revolucionar a forma como as enzimas são projetadas.

"Espero que mude a síntese em geral, "ela disse." Espero que existam medicamentos mais baratos feitos com menos ramificações ambientais. Agora mesmo, a síntese das empresas farmacêuticas tem enormes implicações ambientais, e seria ótimo se pudéssemos diminuí-los. Mas também há síntese em geral em todos os setores. Se você quiser fazer tinta, tinta precisa de síntese. Tudo é feito de produtos químicos, por exemplo, têxteis. Você pode colher algodão, mas no final das contas, você vai dar propriedades específicas de material a esse algodão antes de vendê-lo, e isso requer produtos químicos. Quanto mais síntese podemos fazer por enzimas e mais fácil podemos fazer para que as empresas façam essa síntese por enzimas, mais barato será, e mais verde será. "

De acordo com Slusky, a pesquisa de aprendizado de máquina continuaria em três linhas.

"Número um, estamos tentando fazer com que a abordagem de aprendizado de máquina funcione um pouco melhor, "ela disse." Número dois, estamos começando a projetar enzimas com ele. E o número três é que queremos fazer isso para enzimas que não ligam metais. Quarenta por cento de todos os locais ativos da enzima têm metais ligados. Vamos fazer os outros 60%, também - e encontrar o conjunto de comparação certo para os outros 60% é um projeto no qual outro aluno de pós-graduação do meu laboratório está trabalhando. "