Rede neural ajuda a projetar uma nova proteína

Uma abordagem flexível e baseada em linguagem mostra-se surpreendentemente eficaz na resolução de problemas intratáveis na ciência dos materiais.

Instituto Americano de Física

imagem: Visualizações de amostra de biomateriais de proteínas projetados, criados usando uma rede neural de gráfico transformador que pode compreender instruções complexas e analisar e projetar materiais a partir de seus blocos de construção finais.Veja mais

Crédito: Markus Buehler

WASHINGTON, 29 de agosto de 2023 – Com os seus arranjos intrincados e funcionalidades dinâmicas, as proteínas realizam uma infinidade de tarefas biológicas, empregando arranjos únicos de blocos de construção simples onde a geometria é fundamental. Traduzir esta biblioteca quase ilimitada de arranjos em suas respectivas funções poderia permitir que os pesquisadores projetassem proteínas personalizadas para usos específicos.

No Journal of Applied Physics, da AIP Publishing, Markus Buehler, do Massachusetts Institute of Technology, combinou redes neurais de atenção, muitas vezes chamadas de transformadores, com redes neurais gráficas para melhor compreender e projetar proteínas. A abordagem combina os pontos fortes da aprendizagem geométrica profunda com os dos modelos de linguagem, não apenas para prever as propriedades das proteínas existentes, mas também para imaginar novas proteínas que a natureza ainda não desenvolveu.

“Com este novo método, podemos utilizar tudo o que a natureza inventou como base de conhecimento, modelando os princípios subjacentes”, disse Buehler. “O modelo recombina esses blocos de construção naturais para alcançar novas funções e resolver esses tipos de tarefas.”

Devido às suas estruturas complexas, capacidade de multitarefa e tendência a mudar de forma quando dissolvidas, as proteínas têm sido notoriamente difíceis de modelar. O aprendizado de máquina demonstrou a capacidade de traduzir as forças em nanoescala que governam o comportamento das proteínas em estruturas de trabalho que descrevem sua função. No entanto, seguir o caminho inverso – transformar uma função desejada numa estrutura proteica – continua a ser um desafio.

Para superar esse desafio, o modelo de Buehler transforma números, descrições, tarefas e outros elementos em símbolos para uso em suas redes neurais.

Ele primeiro treinou seu modelo para prever o sequenciamento, a solubilidade e os blocos de construção de aminoácidos de diferentes proteínas a partir de suas funções. Ele então o ensinou a ser criativo e gerar estruturas totalmente novas após receber os parâmetros iniciais para a função de uma nova proteína.

A abordagem permitiu-lhe criar versões sólidas de proteínas antimicrobianas que anteriormente precisavam ser dissolvidas em água. Em outro exemplo, sua equipe pegou uma proteína de seda natural e a desenvolveu em várias novas formas, inclusive dando-lhe um formato de hélice para maior elasticidade ou uma estrutura pregueada para maior resistência.

O modelo executou muitas das tarefas centrais de concepção de novas proteínas, mas Buehler disse que a abordagem pode incorporar ainda mais insumos para mais tarefas, tornando-a potencialmente ainda mais poderosa.

“Uma grande surpresa foi que o modelo teve um desempenho excepcionalmente bom, embora tenha sido desenvolvido para ser capaz de resolver múltiplas tarefas. Isso provavelmente ocorre porque o modelo aprende mais ao considerar diversas tarefas”, disse ele. “Esta mudança significa que, em vez de criar modelos especializados para tarefas específicas, os investigadores podem agora pensar de forma ampla em termos de modelos multitarefa e multimodais.”

A natureza ampla desta abordagem significa que este modelo pode ser aplicado a muitas áreas fora do design de proteínas.

“Embora nosso foco atual sejam as proteínas, este método tem um vasto potencial na ciência dos materiais”, disse Buehler. “Estamos especialmente interessados em explorar comportamentos de falha de materiais, com o objetivo de projetar materiais com padrões de falha específicos.”

###

O artigo “Rede neural de gráfico de transformador autorregressivo pré-treinado generativo aplicada à análise e descoberta de novas proteínas” é de autoria de Markus Buehler. Será publicado no Journal of Applied Physics em 29 de agosto de 2023 (DOI: 10.1063/5.0157367). Após essa data, poderá ser acessado em https://doi.org/10.1063/5.0157367.