I ricercatori di Stanford hanno creato un algoritmo che, guidato da ricerche precedenti, espone le sequenze di DNA che più probabilmente si allineeranno con le proprietà antimicrobiche.

Mentre incombe la minaccia della resistenza agli antibiotici, i microbiologi non sono gli unici a pensare a nuove soluzioni. James Zou, dottorato di ricerca, assistente professore di scienza dei dati biomedici a Stanford, ha applicato l'apprendimento automatico per creare un algoritmo che genera migliaia di sequenze di DNA virtuali completamente nuove con l'intento di creare un giorno proteine ​​antimicrobiche.

L'algoritmo, chiamato Feedback GAN, agisce essenzialmente come un produttore di massa di diversi frammenti di DNA. E mentre questi tentativi di sequenza sono in qualche modo casuali, l'algoritmo non funziona alla cieca. Sta basando i nuovi possibili peptidi, o piccoli gruppi di amminoacidi, su ricerche precedenti che delineano le sequenze di DNA che più probabilmente si allineeranno con le proprietà antimicrobiche.

Per adesso, questi modelli, che non esistono in natura, sono teorici, generato su un computer. Ma di fronte alle crescenti preoccupazioni sulla resistenza ai microbi, Zou ha detto che è fondamentale pensare a soluzioni che non esistono già.

"Abbiamo scelto di perseguire le proteine ​​antimicrobiche perché è molto importante, problema ad alto impatto che è anche un problema relativamente trattabile per l'algoritmo, " Ha detto Zou. "Ci sono strumenti esistenti che incorporiamo nel nostro sistema che valutano se una nuova sequenza può avere le proprietà di una proteina antimicrobica di successo".

Feedback GAN si basa su questo, lavorando per incorporare il giusto equilibrio tra casualità e precisione.

Un documento che descrive l'algoritmo è stato pubblicato online l'11 febbraio in Apprendimento automatico della natura . Anvita Gupta, uno studente di informatica, è il primo autore; Zou è l'autore senior.

Autoraffinazione

L'algoritmo di Gupta e Zou non si limita a sfornare nuove combinazioni di DNA. Si affina anche attivamente, imparare cosa funziona e cosa no attraverso un ciclo di feedback:dopo che l'algoritmo ha sputato una vasta gamma di sequenze di DNA, esegue un processo di apprendimento per tentativi ed errori che vaglia i suggerimenti dei peptidi. Sulla base della loro somiglianza con altri noti peptidi antimicrobici, quelli "buoni" vengono reinseriti nell'algoritmo per informare le future sequenze di DNA generate dal codice, e per affinarsi.

"C'è un arbitro incorporato e, avendo questo ciclo di feedback, il sistema impara a modellare le sequenze appena generate dopo quelle che si ritiene abbiano proprietà antimicrobiche, " Ha detto Zou. "Quindi l'idea è che sia le singole sequenze peptidiche che la generazione delle sequenze migliorano sempre di più".

Zou ha anche preso in considerazione un altro componente fondamentale di ipotetiche proteine:il ripiegamento delle proteine. Le proteine ​​si contorcono in strutture molto specifiche legate alle loro funzioni. Un algoritmo potrebbe creare la sequenza perfetta, ma a meno che non possa piegarsi, è inutile, come gli ingranaggi di un orologio sparsi su un tavolo.

Zou può modificare l'algoritmo in modo che invece di analizzare una propensione per le proprietà antimicrobiche, determina la probabilità di piegatura corretta.

"Possiamo effettivamente fare queste due cose in parallelo, dove osserviamo le proprietà antimicrobiche di una sequenza e la probabilità di ripiegamento di un'altra, " ha detto Zou. "Eseguiamo entrambi in modo da ottimizzare le proprietà antimicrobiche o la sua capacità di piegarsi".

Prossimo, Zou spera di unire le due varianti dell'algoritmo per creare sequenze di peptidi ottimizzate sia per le loro capacità di uccidere i microbi sia per la loro capacità di ripiegarsi in una proteina genuina.