Los científicos e ingenieros están en una búsqueda para desarrollar dispositivos electrónicos que sean compatibles con nuestros cuerpos:piense en materiales que puedan ayudar a conectar las neuronas nuevamente después de lesiones cerebrales, o herramientas de diagnóstico que se puedan absorber fácilmente dentro del cuerpo.

Una familia de péptidos autoensamblados, llamados oligopéptidos π-conjugados, se ha mostrado prometedor para convertirse en la base de la próxima generación de estos dispositivos electrónicos, materiales biocompatibles. Pero identificar las secuencias moleculares correctas para crear las nanoestructuras autoensambladas óptimas requeriría probar miles de posibilidades que cada una toma aproximadamente un mes para probar en el laboratorio.

Assoc. El profesor Andrew Ferguson y sus colaboradores han acelerado ese proceso mediante el desarrollo de herramientas de aprendizaje automático que pueden seleccionar a los mejores candidatos. Al seleccionar 8, 000 candidatos de péptidos autoensamblados, el equipo pudo clasificar cada diseño. Eso allana el camino para que los experimentadores prueben a los candidatos más prometedores.

Los resultados fueron publicados en La Revista de Química Física B . El artículo también fue seleccionado como Elección de los editores de ACS, que ofrece acceso público gratuito a nuevas investigaciones de importancia para la comunidad científica mundial, y aparecer en la portada de la revista.

"Al comprender la ciencia de datos, ciencia de los Materiales, y ciencia molecular, pudimos encontrar una forma innovadora de seleccionar nuevos posibles candidatos, "Dijo Ferguson." El hecho de que este artículo haya sido elegido como Elección de los Editores de la ACS muestra que hay mucho interés en acoplar la inteligencia artificial a la ciencia del dominio. Es un problema importante que es de amplio interés para la comunidad de la química física ".

Clasificación de péptidos para experimentadores

Para ayudar a encontrar los mejores candidatos, Ferguson y el estudiante de posgrado Kirill Shmilovich seleccionaron una familia de oligopéptidos conjugados π utilizando aprendizaje automático y simulación molecular. El conjunto incluye 8, 000 péptidos potenciales, si los investigadores mantuvieran el mismo núcleo y solo cambiaran los tres aminoácidos en cada lado de la molécula. (Los aminoácidos de los lados son simétricos; si cambia uno de un lado, cambia del otro lado, así como.)

Usando una forma de aprendizaje automático conocida como aprendizaje activo u optimización bayesiana para guiar las simulaciones moleculares, pudieron construir modelos confiables basados ​​en datos de cómo la secuencia del péptido influyó en sus propiedades después de considerar solo 186 péptidos.

Las predicciones del modelo podrían extrapolarse de forma fiable para predecir las propiedades del resto de la familia de péptidos. El proceso también eliminó el sesgo humano de la ecuación, permitir que la inteligencia artificial encuentre características de diseños de péptidos que los investigadores no habían considerado antes, eso los convirtió en mejores candidatos.

Luego clasificaron cada péptido y entregaron sus resultados a sus colaboradores experimentales, que luego probará a los mejores candidatos en el laboratorio. Próximo, esperan expandir su sistema para incluir probar diferentes núcleos π-conjugados, mientras se introducen nuevos datos experimentales en el circuito para fortalecer aún más sus modelos.

También esperan utilizar este sistema de aprendizaje automático para diseñar proteínas, Optimización de coloides autoensamblables para hacer cristales atómicos, e incluso un día incorporar estas herramientas en un laboratorio autónomo, donde la inteligencia artificial tomaría datos, crear predicciones, ejecutar experimentos, luego, devuelva esos datos al modelo, todo sin intervención humana.

"Este es un método que podría resultar útil en muchos dominios diferentes, "Dijo Ferguson.