Pesquisadores de Stanford criaram um algoritmo que, guiado por pesquisas anteriores, apresenta as sequências de DNA com maior probabilidade de se alinharem com as propriedades antimicrobianas.

À medida que a ameaça de resistência aos antibióticos se aproxima, microbiologistas não são os únicos pensando em novas soluções. James Zou, Ph.D., professor assistente de ciência de dados biomédicos em Stanford, aplicou o aprendizado de máquina para criar um algoritmo que gera milhares de sequências virtuais de DNA totalmente novas com a intenção de um dia criar proteínas antimicrobianas.

O algoritmo, chamado Feedback GAN, essencialmente atua como um produtor em massa de diferentes fragmentos de DNA. E embora essas tentativas de sequência sejam um tanto aleatórias, o algoritmo não está funcionando às cegas. É a base dos novos peptídeos possíveis, ou pequenos grupos de aminoácidos, em pesquisas anteriores que mostram as sequências de DNA com maior probabilidade de se alinharem com as propriedades antimicrobianas.

Por enquanto, esses modelos, que não existem na natureza, são teóricos, gerado em um computador. Mas, em face das crescentes preocupações sobre a resistência dos micróbios, Zou disse que é fundamental pensar em soluções que ainda não existem.

"Escolhemos buscar proteínas antimicrobianas porque é muito importante, problema de alto impacto que também é relativamente tratável para o algoritmo, "Zou disse." Existem ferramentas que incorporamos em nosso sistema que avalia se uma nova sequência tem as propriedades de uma proteína antimicrobiana de sucesso. "

Feedback GAN se baseia nisso, trabalhando para incorporar o equilíbrio certo de chance aleatória e precisão.

Um artigo descrevendo o algoritmo foi publicado online em 11 de fevereiro em Nature Machine Learning . Anvita Gupta, um estudante de ciência da computação, é o primeiro autor; Zou é o autor sênior.

Auto-refinamento

O algoritmo de Gupta e Zou não produz apenas novas combinações de DNA. Ele também se refina ativamente, aprender o que funciona e o que não funciona por meio de um ciclo de feedback:depois que o algoritmo expele uma ampla gama de sequências de DNA, ele executa um processo de aprendizagem por tentativa e erro que analisa as sugestões de peptídeos. Com base em sua semelhança com outros peptídeos antimicrobianos conhecidos, os "bons" são alimentados de volta no algoritmo para informar futuras sequências de DNA geradas a partir do código, e se refinarem.

"Há um árbitro embutido e, por ter esse ciclo de feedback, o sistema aprende a modelar sequências recém-geradas após aquelas que são consideradas prováveis ​​de ter propriedades antimicrobianas, "Zou disse." Portanto, a ideia é que as sequências individuais de peptídeos e a geração das sequências fiquem cada vez melhores. "

Zou também considerou outro componente central das proteínas hipotéticas:o enovelamento de proteínas. As proteínas se contorcem em estruturas muito específicas ligadas às suas funções. Um algoritmo pode criar a sequência perfeita, mas a menos que possa dobrar, é inútil - como as engrenagens de um relógio espalhado sobre uma mesa.

Zou pode ajustar o algoritmo para que, em vez de analisar uma propensão para propriedades antimicrobianas, ele determina a probabilidade de dobramento correto.

"Podemos realmente fazer essas duas coisas em paralelo, observando as propriedades antimicrobianas de uma sequência e a probabilidade de dobramento de outra, "disse Zou." Executamos ambos para otimizar as propriedades antimicrobianas ou sua capacidade de dobrar.

Próximo, Zou espera fundir as duas variações do algoritmo para criar sequências de peptídeos que são otimizadas para suas habilidades de matar micróbios e sua capacidade de dobrar em uma proteína genuína.