Ultima stagione, Il quarterback dei Kansas City Chiefs Patrick Mahomes ha vantato una percentuale di passaggi completati 66,3.

Ma l'impressionante statistica di Mahomes impallidisce rispetto alla precisione di MAHOMES, o Euristica dell'attività dei metalli delle metalloproteine ​​e dei siti enzimatici, un modello di apprendimento automatico sviluppato presso l'Università del Kansas - e chiamato in onore del quarterback - che potrebbe portare a una più efficace, terapie farmacologiche ecologiche ed economiche e altri prodotti industriali.

Invece di prendere di mira gli ampi ricevitori, MAHOMES distingue tra metalli enzimatici e non enzimatici nelle proteine ​​con un tasso di precisione del 92,2%. Un team di KU ha recentemente pubblicato risultati su questo approccio di apprendimento automatico per differenziare gli enzimi in Comunicazioni sulla natura .

"Gli enzimi sono proteine ​​super interessanti che fanno tutta la chimica:un enzima fa una reazione chimica su qualcosa per trasformarlo da una cosa all'altra, " ha detto l'autrice corrispondente Joanna Slusky, professore associato di bioscienze molecolari e biologia computazionale alla KU. "Tutto ciò che porti nel tuo corpo, il tuo corpo lo scompone e lo trasforma in cose nuove, e quel processo di scomposizione e trasformazione in cose nuove, tutto ciò è dovuto agli enzimi".

Slusky e collaboratori studenti laureati nel suo laboratorio, Ryan Feehan (il fan dei Chiefs che ha chiamato MAHOMES) e Meghan Franklin del Center for Computational Biology di KU, cercato di utilizzare i computer per distinguere tra metalloproteine, che non effettuano reazioni chimiche, e metalloenzimi, che facilitano le reazioni chimiche con sorprendente potenza ed efficienza.

Il problema è che metalloproteine ​​e metalloenzimi sono per molti versi identici.

"Le persone non sanno esattamente come funzionano gli enzimi, " Disse Slusky. "Per ogni dato enzima si può dire, "OK, sai, si toglie questo idrogeno e si mette sul gruppo -OH, " o qualunque cosa faccia. Ma se ti dessi una proteina che non avevi mai visto prima e ti chiedessi, 'Qual è la fine? Quale lato di questo fa la reazione?, ' tu, come scienziato e anche come enzimologo, probabilmente non potrebbe dirmelo. Ora, una delle chiavi è che circa il 40% di tutti gli enzimi utilizza metalli per la catalisi, quindi la loro proteina si lega a un metallo e quindi qualunque cosa venga modificata entra in quel sito attivo e viene modificata. Vediamo questo queste proteine ​​​​e metalloenzimi che legano il metallo, che sono enzimi che legano i metalli, come un'enorme opportunità per noi perché il mio laboratorio è interessato all'apprendimento automatico che può fare un ottimo lavoro nel differenziare i siti enzimatici da siti simili ma non enzimatici."

Come studente universitario KU, l'autore principale Feehan ha iniziato a compilare il più grande set di dati strutturali al mondo di siti di metalloproteine ​​enzimatiche e non enzimatiche, lavoro che è proseguito nella sua carriera di studente laureato. Quindi, ha reso il set di dati disponibile gratuitamente ad altri ricercatori su Github.

"I dati strutturali sono molto difficili da trovare, " disse Slusky. "Ma se sei interessato a cosa sono la fisica e la chimica, e dove sono quegli atomi, e cosa possono fare all'interno di quelle relazioni, hai bisogno di strutture proteiche. La parte difficile è stata ottenere un mucchio di strutture di siti enzimatici, sapendo che erano siti enzimatici, quindi ottenere un mucchio di siti non enzimatici che legavano i metalli, e sapendo che non erano enzimi, e scavandoli da un grande database strutturale".

Feehan è stato in grado di trovare migliaia di siti unici di legame dei metalli attivi e inattivi, quindi testato approcci di apprendimento automatico per distinguere tra i due. Per realizzare questo, Feehan e Franklin hanno addestrato un modello di apprendimento al computer (MAHOMES) per esaminare una fessura in una proteina e prevedere se quella fessura potesse fare chimica (nel senso che era un enzima). Osservando le caratteristiche fisico-chimiche, MAHOMES ha raggiunto una precisione del 92,2% e un richiamo del 90,1% nel distinguere i siti attivi da quelli inattivi.

Slusky ha affermato che l'approccio potrebbe essere un passo importante per rendere gli enzimi più utili per la produzione di terapie farmacologiche salvavita e una miriade di altri processi industriali. Infatti, l'approccio sperimentato dal team KU potrebbe addirittura rivoluzionare il modo in cui vengono progettati gli enzimi.

"Spero che cambi la sintesi in generale, " ha detto. "Spero che ci saranno farmaci più economici realizzati con meno ramificazioni ambientali. Proprio adesso, la sintesi delle aziende farmaceutiche ha enormi implicazioni ambientali, e sarebbe fantastico se potessimo abbassarli. Ma c'è anche sintesi in generale in ogni settore. Se vuoi dipingere, la vernice ha bisogno di sintesi. Tutto è fatto di sostanze chimiche, per esempio, tessili. Puoi raccogliere il cotone, ma alla fine, darai particolari proprietà materiali a quel cotone prima di venderlo, e questo richiede prodotti chimici. Più sintesi possiamo fare con gli enzimi e più facile possiamo rendere per le aziende fare quella sintesi con gli enzimi, più economico sarà, e più verde sarà."

Secondo Slusky, la ricerca sull'apprendimento automatico proseguirebbe lungo tre direttrici.

"Numero uno, stiamo cercando di far funzionare un po' meglio l'approccio di apprendimento automatico, " disse. "Numero due, stiamo iniziando a progettare enzimi con esso. E il numero tre è che vogliamo farlo per gli enzimi che non legano i metalli. Il quaranta percento di tutti i siti attivi degli enzimi ha metalli legati. Facciamo l'altro 60%, anche, e trovare il giusto confronto impostato per l'altro 60% è un progetto su cui sta lavorando un altro studente laureato nel mio laboratorio."