L’ intelligenza artificiale spiega come le mutazioni nelle metalloproteine causano malattie nell’uomo.
Negli ultimi anni, l’intelligenza artificiale (AI) – la capacità di una macchina di imitare il comportamento umano – è diventata un attore chiave nei progetti di sviluppo di farmaci ad alta tecnologia. Gli strumenti di intelligenza artificiale aiutano gli scienziati a scoprire il segreto dietro i grandi dati biologici usando algoritmi computazionali ottimizzati. I metodi di intelligenza artificiale come la rete neurale profonda migliorano il processo decisionale in applicazioni biologiche e chimiche, vale a dire la previsione di proteine associate alla malattia, la scoperta di nuovi biomarcatori e la progettazione de novo di elettrocateteri di piccole molecole. Questi approcci all’avanguardia aiutano gli scienziati a sviluppare un potenziale farmaco in modo più efficiente ed economico.
Un gruppo di ricerca guidato dal Professor Hongzhe Sun del Dipartimento di Chimica dell’Università di Hong Kong (HKU), in collaborazione con il Professor Junwen Wang della Mayo Clinic, in Arizona negli Stati Uniti (un ex collega HKU), ha implementato un nuovo approccio, un solido apprendimento profondo per prevedere le mutazioni dei siti di legame dei metalli con una proteina, associate alla malattia. Questo è il primo approccio di deep learning per la previsione delle mutazioni dei siti rilevanti per i metalli, associate alle malattie derivate da metalloproteine, fornendo una nuova piattaforma per affrontare le malattie umane.
I risultati della ricerca sono stati recentemente pubblicati sull’ importante rivista scientifica Nature Machine Intelligence.
Gli ioni metallici svolgono ruoli chiave sia strutturalmente che funzionalmente nella fisiologia dei sistemi biologici umani. Metalli come zinco, ferro e rame sono essenziali per tutte le vite e la loro concentrazione nelle cellule deve essere rigorosamente regolata. Una carenza o un eccesso di questi ioni metallici fisiologici può causare gravi malattie nell’uomo. È stato scoperto che una mutazione nel genoma umano è fortemente associata a diverse malattie. Se queste mutazioni si verificano nella regione codificante del DNA, potrebbero interrompere i siti di legame dei metalli con le proteine e di conseguenza avviare gravi malattie nell’uomo. La comprensione delle mutazioni associate alla malattia nei siti di legame dei metalli con le proteine faciliterà la scoperta di nuovi farmaci.
Il team ha prima integrato i dati omici da diversi database per creare un set di dati completo. Osservando le statistiche dai dati raccolti, il team ha scoperto che metalli diversi hanno associazioni con malattie diverse. Una mutazione nei siti leganti lo zinco ha un ruolo importante nelle malattie della mammella, del fegato, dei reni, del sistema immunitario e della prostata. Al contrario, le mutazioni nei siti leganti calcio e magnesio sono associate rispettivamente a malattie del sistema muscolare e del sistema immunitario. Per i siti leganti il ferro, le mutazioni sono più associate alle malattie metaboliche. Inoltre, le mutazioni dei siti di legame al manganese e al rame sono associate a malattie cardiovascolari con quest’ultima associata anche a malattie del sistema nervoso.
I ricercatori hanno usato un nuovo approccio per estrarre le caratteristiche spaziali dai siti di legame dei metalli usando una mappa della griglia di affinità basata sull’energia. Queste caratteristiche spaziali sono state unite a caratteristiche sequenziali fisicochimiche per sviluppare il modello.
Date le limitate tecniche e piattaforme avanzate nel campo della metallomica e delle metalloproteine, l’approccio di apprendimento profondo proposto offre un metodo per integrare i dati sperimentali con l’analisi bioinformatica. L’approccio aiuterà gli scienziati a prevedere le mutazioni del DNA associate a malattie come il cancro, le malattie cardiovascolari e i disturbi genetici.
Il Professor Sun ha detto: “L’apprendimento automatico e la IA svolgono un ruolo importante nell’attuale scienza biologica e chimica. Nel mio gruppo abbiamo lavorato sui metalli in biologia e medicina usando l‘approccio omico integrativo tra cui la metallomica e la metalloproteomica e abbiamo già prodotto una grande quantità di dati preziosi utilizzando esperimenti in vivo / vitro. Sviluppiamo ora un approccio di intelligenza artificiale basato sull’apprendimento profondo per trasformare questi dati grezzi in preziose conoscenze che aiutano a scoprire i segreti dietro le malattie. Credo che questo nuovo approccio di apprendimento profondo possa essere utilizzato in altri progetti già in corso nel nostro laboratorio “.
Fonte, Nature Machine Intelligence
