Scienziati e ingegneri stanno cercando di sviluppare dispositivi elettronici compatibili con il nostro corpo:pensa a materiali che possono aiutare a collegare i neuroni di nuovo insieme dopo lesioni cerebrali, o strumenti diagnostici che possono essere facilmente assorbiti all'interno del corpo.

Una famiglia di peptidi autoassemblanti, chiamati oligopeptidi π-coniugati, ha mostrato la promessa di diventare la base della prossima generazione di questi dispositivi elettronici, materiali biocompatibili. Ma identificare le giuste sequenze molecolari per creare le nanostrutture autoassemblate ottimali richiederebbe di testare migliaia di possibilità che richiedono ciascuna circa un mese per essere testate in laboratorio.

Assoc. Il prof. Andrew Ferguson e i suoi collaboratori hanno accelerato questo processo sviluppando strumenti di apprendimento automatico in grado di individuare i candidati migliori. Con lo screening 8, 000 candidati di peptidi autoassemblati, il team è stato in grado di classificare ogni progetto. Ciò apre la strada agli sperimentatori per testare i candidati più promettenti.

I risultati sono stati pubblicati in Il giornale di chimica fisica B . Il documento è stato anche selezionato come ACS Editors' Choice, che offre accesso pubblico gratuito a nuove ricerche importanti per la comunità scientifica globale, e per essere presenti sulla copertina del giornale.

"Comprendendo la scienza dei dati, scienza dei materiali, e scienza molecolare, siamo stati in grado di trovare un modo innovativo per selezionare nuovi possibili candidati, " Ferguson ha detto. "Il fatto che questo documento sia stato scelto come ACS Editors' Choice mostra che c'è molto interesse nell'accoppiare l'intelligenza artificiale alla scienza del dominio. È un problema importante di grande interesse per la comunità della chimica fisica".

Classificazione dei peptidi per sperimentatori

Per aiutare a trovare i migliori candidati, Ferguson e lo studente laureato Kirill Shmilovich hanno esaminato una famiglia di oligopeptidi -coniugati utilizzando l'apprendimento automatico e la simulazione molecolare. Il set comprendeva 8, 000 potenziali peptidi, se i ricercatori mantenessero lo stesso nucleo e cambiassero semplicemente i tre amminoacidi su ciascun lato della molecola. (Gli amminoacidi sui lati sono simmetrici:se ne cambi uno su un lato, cambia dall'altra parte, anche.)

Utilizzando una forma di apprendimento automatico nota come apprendimento attivo o ottimizzazione bayesiana per guidare le simulazioni molecolari, sono stati in grado di costruire modelli affidabili basati sui dati di come la sequenza del peptide ha influenzato le sue proprietà dopo aver considerato solo 186 peptidi.

Le previsioni del modello potrebbero quindi essere estrapolate in modo affidabile per prevedere le proprietà del resto della famiglia di peptidi. Il processo ha anche rimosso il pregiudizio umano dall'equazione, lasciare che l'intelligenza artificiale trovi caratteristiche dei progetti di peptidi che i ricercatori non avevano considerato prima che in realtà li ha resi candidati migliori.

Hanno quindi classificato ogni peptide e hanno passato i loro risultati ai loro collaboratori sperimentali, che poi metterà alla prova i migliori candidati in laboratorio. Prossimo, sperano di espandere il loro sistema per includere la prova di diversi nuclei -coniugati, mentre reintroducono nuovi dati sperimentali nel ciclo per rafforzare ulteriormente i loro modelli.

Sperano anche di utilizzare questo sistema di apprendimento automatico per progettare proteine, ottimizzazione dei colloidi autoassemblanti per produrre cristalli atomici, e anche un giorno incorporare questi strumenti in un laboratorio a guida autonoma, dove l'intelligenza artificiale prenderebbe i dati, creare previsioni, eseguire esperimenti, quindi reinserire i dati nel modello, il tutto senza l'intervento umano.

"Questo è un metodo che potrebbe essere utile in molti domini diversi, " ha detto Ferguson.