.
As enzimas desempenham um papel fundamental nos processos metabólicos celulares. Para possibilitar a avaliação quantitativa desses processos, os pesquisadores precisam conhecer o chamado “número de rotatividade” (abreviado: kgato) das enzimas. Na revista científica Natureza Comunicações, uma equipe de bioinformáticos da Heinrich Heine University Düsseldorf (HHU) agora descreve uma ferramenta para prever esse parâmetro para várias enzimas usando métodos de IA.
As enzimas são importantes biocatalisadores em todas as células vivas. Normalmente são proteínas grandes, que se ligam a moléculas menores – os chamados substratos – e depois as convertem em outras moléculas, os “produtos”. Sem enzimas, a reação que converte os substratos em produtos não poderia ocorrer, ou só poderia fazê-lo em uma taxa muito baixa. A maioria dos organismos possui milhares de enzimas diferentes. As enzimas têm muitas aplicações em uma ampla gama de processos biotecnológicos e na vida cotidiana – desde a fermentação de massa de pão até detergentes.
A velocidade máxima na qual uma enzima específica pode converter seus substratos em produtos é determinada pelo chamado número de rotatividade kgato. É um parâmetro importante para pesquisas quantitativas sobre atividades enzimáticas e desempenha um papel fundamental na compreensão do metabolismo celular.
No entanto, é demorado e caro determinar kgato números de rotatividade em experimentos, razão pela qual eles não são conhecidos para a grande maioria das reações. O grupo de pesquisa em Biologia Celular Computacional do HHU, liderado pelo professor Dr. Martin Lercher, desenvolveu uma nova ferramenta chamada TurNuP para prever a kgato números de rotatividade de enzimas usando métodos de IA.
Para treinar um kgato modelo de previsão, informações sobre as enzimas e reações catalisadas foram convertidas em vetores numéricos usando modelos de aprendizado profundo. Esses vetores numéricos serviram como entrada para um modelo de aprendizado de máquina – o chamado modelo de aumento de gradiente – que prevê o kgato números de faturamento.
O autor principal, Alexander Kroll: “TurNuP supera os modelos anteriores e pode até ser usado com sucesso para enzimas que têm apenas uma baixa semelhança com as do conjunto de dados de treinamento”. Os modelos anteriores não foram capazes de fazer previsões significativas, a menos que pelo menos 40% da sequência da enzima seja idêntica a pelo menos uma enzima no conjunto de treinamento. Por outro lado, o TurNuP já pode fazer previsões significativas para enzimas com uma identidade de sequência máxima de 0 – 40%.
O professor Lercher acrescenta: “Em nosso estudo, mostramos que as previsões feitas pelo TurNuP podem ser usadas para prever as concentrações de enzimas em células vivas com muito mais precisão do que até agora”.
Para tornar o modelo de previsão facilmente acessível ao maior número possível de usuários, a equipe do HHU desenvolveu um servidor web amigável, que outros pesquisadores podem usar para prever o kgato números de rotatividade de enzimas.
Link para o servidor web: https://turnup.cs.hhu.de/
Contexto: aprendizado de máquina e aprendizado profundo
Os modelos de aprendizado profundo compreendem redes neurais artificiais de várias camadas que podem reconhecer e processar padrões nos dados de entrada. O uso de grandes conjuntos de dados de treinamento é a maneira ideal de treinar um modelo de aprendizado profundo para processar entradas numéricas.
Os modelos de aumento de gradiente são um método de aprendizado de máquina, que produz um grande número de árvores de decisão. Os resultados de todas as árvores de decisão para uma entrada específica são usados para fazer previsões. Semelhante ao aprendizado profundo, os dados de treinamento são usados para refinar o modelo, ou seja, para produzir as árvores de decisão.
.
