Neopep: Reinforcement Learning From Machine-Learned Force Field Energy for Non-Canonical Peptide Structure Prediction

En el mundo de la medicina, la naturaleza ofrece dos herramientas primordiales para combatir las enfermedades: las moléculas químicas pequeñas y las proteínas grandes y complejas. Los péptidos se sitúan cómodamente en medio, actuando como un puente entre estos dos extremos. Son lo suficientemente largos como para ser altamente específicos en cómo se acoplan a los objetivos de las enfermedades, pero lo suficientemente cortos como para ser estables y relativamente económicos de fabricar. Durante décadas, los científicos han intentado diseñar nuevos fármacos peptídicos utilizando un conjunto estándar de veinte bloques de construcción, conocidos como aminoácidos. Sin embargo, la naturaleza y los químicos sintéticos tienen acceso a miles de otros bloques de construcción inusuales que no encajan en este conjunto estándar. Estos aminoácidos "no canónicos" pueden otorgar a los fármacos una mejor estabilidad o permitirles sobrevivir más tiempo dentro del cuerpo. El problema es que, si bien sabemos que estos ingredientes especiales existen, tenemos muy pocos datos sobre cómo se pliegan en formas tridimensionales. Sin conocer la forma, no podemos diseñar un fármaco que encaje en su objetivo, lo que deja un vasto paisaje químico sin explorar.

Un equipo de investigadores de la Universidad de Toronto ha desarrollado un nuevo enfoque para resolver este rompecabezas, creando un sistema llamado Neopep que puede predecir las formas de estas cadenas peptídicas inusuales. El desafío central al que se enfrentaron fue la falta de datos de entrenamiento. La biblioteca principal que los científicos utilizan para aprender cómo se pliegan las proteínas contiene millones de estructuras, pero menos de uno de cada cinco mil de los bloques de construcción en esa biblioteca son del tipo especial y no estándar. Debido a que los modelos informáticos fueron entrenados casi por completo con los veinte aminoácidos estándar, tuvieron dificultades al intentar predecir la forma de una cadena que contenía los tipos raros. Para sortear esta escasez de datos, los investigadores dejaron de intentar memorizar cada forma posible y, en su lugar, enseñaron a su modelo a seguir las leyes de la física. Se dieron cuenta de que, en la naturaleza, las moléculas se asientan naturalmente en la disposición más estable y de menor energía, de forma muy similar a una bola pesada que rueda hacia el fondo de un valle. Al enseñar al modelo a buscar estos estados de baja energía, pudieron guiarlo hacia la forma correcta incluso sin tener un ejemplo perfecto para copiar.

Los investigadores construyeron su sistema en dos etapas distintas. Primero, entrenaron un modelo de aprendizaje profundo en la vasta biblioteca de estructuras proteicas estándar para darle una sensación general de cómo se pliegan las cadenas habitualmente. Esto proporcionó una base sólida, o "prior estructural", de modo que el modelo comprendiera las reglas básicas del juego. En la segunda etapa, introdujeron un potente motor de física conocido como campo de fuerza aprendido por máquinas. Piense en este motor como una calculadora altamente precisa que puede decirle instantáneamente cuánta energía posee una disposición específica de átomos, independientemente de si esos átomos son estándar o exóticos. Los investigadores utilizaron entonces una técnica llamada aprendizaje por refuerzo, donde el modelo se le permitió proponer muchas formas diferentes para una cadena peptídica. El motor de física calificaba cada propuesta, y el modelo era recompensado por encontrar disposiciones con menor energía. Con el tiempo, el modelo aprendió a ignorar las formas que eran físicamente inestables y a centrarse en aquellas que eran energéticamente favorables, enseñándose a sí mismo de manera efectiva cómo plegar los bloques de construcción raros correctamente.

Los resultados de este enfoque fueron sorprendentes. Al probarlo en un conjunto de treinta y cuatro cadenas peptídicas que contenían aminoácidos no estándar, el nuevo modelo produjo estructuras que estaban significativamente más cerca de las formas reales observadas experimentalmente que los métodos anteriores. Mientras que los modelos antiguos tenían dificultades para acertar la forma, resultando a menudo en estructuras que estaban muy desviadas, el nuevo sistema redujo el error promedio por un margen considerable. En muchos casos, el modelo encontró una forma que era casi idéntica a la realidad, con un error de menos de dos ángstroms, una unidad de medida utilizada para distancias atómicas. Crucialmente, esta mejora no se produjo a expensas de la precisión de los péptidos estándar; el modelo seguía siendo igual de bueno prediciendo las formas de las cadenas ordinarias que antes de que comenzara el nuevo entrenamiento. Los investigadores también observaron que el modelo era capaz de generar una colección diversa de formas de baja energía, lo que sugiere que había aprendido los principios físicos subyacentes en lugar de simplemente memorizar una única respuesta.

Uno de los aspectos más convincentes de este trabajo es cómo maneja lo "desconocido". El modelo fue entrenado con un conjunto específico de 189 aminoácidos no estándar, pero debido a que opera analizando átomos individuales y sus interacciones, en lugar de tratar cada aminoácido como un único token rígido, es teóricamente capaz de manejar cualquier estructura química. Esto representa un cambio significativo respecto a los métodos anteriores, que requerían que el modelo fuera reentrenado o modificado cada vez que se introducía un nuevo tipo de bloque de construcción. Al confiar en el lenguaje universal de la energía física, el sistema puede generalizarse a nuevas químicas que no ha visto antes, siempre que el motor de física pueda calcular su energía. Esto abre la puerta al diseño de fármacos con propiedades completamente nuevas, utilizando ingredientes que antes eran demasiado difíciles de modelar.

El estudio también incluyó una verificación cuidadosa para asegurar que el modelo no estuviera simplemente adivinando. Los investigadores compararon la energía de las formas que el modelo predijo contra la energía de las estructuras reales del mundo real. Encontraron que el modelo producía consistentemente formas que eran tan estables, o incluso ligeramente más estables, que las reales. Esto confirmó que el modelo estaba siguiendo efectivamente las reglas físicas que se le enseñaron. En las comparaciones visuales, la diferencia era clara: las estructuras generadas por el modelo anterior, preentrenado, a menudo parecían rotas o desconectadas, como si los átomos estuvieran flotando en los lugares incorrectos. Tras el ajuste fino basado en la energía, los átomos encajaron en su lugar, formando enlaces continuos y químicamente sensatos. Esta capacidad para "arreglar" estructuras rotas sugiere que el modelo ha aprendido una comprensión profunda de cómo los átomos desean conectarse.

En última instancia, esta investigación ofrece un nuevo camino hacia adelante para el descubrimiento de fármacos. Demuestra que, cuando los datos escasean, podemos apoyarnos en las leyes fundamentales de la física para llenar los vacíos. Al combinar el poder de reconocimiento de patrones de la inteligencia artificial moderna con la precisión rigurosa de la física aprendida por máquinas, los investigadores han creado una herramienta que puede navegar por el vasto y complejo mundo de los aminoácidos no estándar. Esta capacidad significa que los científicos ahora pueden explorar un rango mucho más amplio de posibilidades químicas para crear nuevas medicinas, lo que potencialmente conducirá a terapias que sean más efectivas, más duraderas y capaces de atacar enfermedades que antes estaban fuera de su alcance. El trabajo no pretende haber resuelto todos los problemas del diseño de proteínas, pero proporciona un método robusto y generalizable para abordar uno de los cuellos de botella más persistentes en este campo.