Deep learning diseña hidrogeles proteicos con relajación de tensión programable

Hecho Qué ha ocurrido
Investigadores de HKUST y colaboradores desarrollaron TangleDiff, un modelo de deep learning para diseñar de novo proteínas homodiméricas entrelazadas con propiedades programables. El sistema logra una tasa de éxito in silico superior al 70%, frente a ~1% de modelos previos. De nueve homodímeros diseñados experimentalmente, siete formaron hidrogeles cuya dinámica de relajación de tensión se correlacionó con la energía de unión especificada.
Resumen generado mediante IA a partir de Nature · Machine learning (original en inglés). Naturaleza de la información: declaración de parte interesada.
Análisis Por qué importa
Es un ejemplo de IA generativa aplicada al diseño de biomateriales con propiedades mecánicas controlables, relevante para ingeniería de tejidos y cultivo de organoides. Muestra cómo el diseño de proteínas guiado por IA puede acelerar drásticamente el descubrimiento de materiales biológicos funcionales.
- Quién se ve afectado
- Investigadores en biomateriales, empresas de biotecnología, laboratorios de ingeniería de tejidos y desarrollo de fármacos.
- Qué puede cambiar
- Se reduce drásticamente el tiempo y coste de diseñar proteínas con propiedades mecánicas específicas, pasando de ensayo y error a diseño computacional dirigido.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Vigilar si el método se extiende a otras familias de proteínas y si surgen aplicaciones comerciales en cultivo celular 3D o medicina regenerativa en los próximos años.
Enviar esta noticia por correo
Enviado. Revisa que llegue a la bandeja de entrada de quien lo reciba.
La dirección no parece válida.
Has enviado varios correos seguidos. Espera un rato.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
No se ha podido enviar. Inténtalo de nuevo en unos minutos.
Fuente original: Nature · Machine learning (fuente primaria). La referencia es siempre el artículo original.
Ver fuente original ↗IA científicagenerativadiseño de proteínas HKUSTPeking UniversityCity University of Hong Kong biomateriales deep learning hidrogeles ingeniería de tejidos proteínas
Relacionadas
Investigadores usan IA para diseñar proteasas que cortan otras proteínas
Investigadores han usado herramientas de diseño de proteínas basadas en IA para tomar el núcleo catalítico de dos tipos de proteasa y sustituir el resto de la…
Por qué importaMuestra que la IA puede crear enzimas a medida con funciones específicas, un avance con potencial para la investigación biomédica y el desarrollo de…
IA generativa diseña dominios de proteínas que triplican el rendimiento de enzimas productoras de antibióticos
Investigadores combinaron modelos generativos (ESM3, ProteinMPNN, EvoDiff) con ciclos de diseño-construcción-prueba-aprendizaje para crear 76 dominios de…
Por qué importaDemuestra que la IA generativa puede ir más allá de imitar secuencias naturales y diseñar componentes funcionales para maquinaria biosintética…
La IA pasa de descubrir a diseñar medicamentos desde cero
La inteligencia artificial está transitando de analizar y acelerar procesos en medicina a diseñar activamente nuevas moléculas y proteínas nunca creadas antes…
Por qué importaEste cambio representa un salto cualitativo en cómo la IA crea valor en farmacéutica: pasar de herramienta de búsqueda a motor de creación de nuevas…
Google DeepMind presenta AlphaProteo para diseño de proteínas con IA
Google DeepMind ha lanzado AlphaProteo, un sistema de IA capaz de diseñar nuevas proteínas que se unen a moléculas objetivo con mayor eficacia que los métodos…
Por qué importaAlphaProteo reduce drásticamente el tiempo de laboratorio en el diseño de proteínas, lo que acelera el desarrollo de fármacos, biosensores y…
Tu opinión
Te hemos enviado un correo para confirmar tu dirección. El comentario se procesará cuando pulses el enlace.
Gracias. Tu comentario se publicará cuando lo revise el equipo (los primeros comentarios de cada persona se moderan).
Comentario publicado. Gracias por participar.
No se puede comentar aquí.
Indica un nombre (de 2 a 60 caracteres).
El correo no parece válido.
El comentario debe tener entre 10 y 2.000 caracteres.
Demasiados enlaces en el comentario.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
Has alcanzado el límite diario de comentarios.
Demasiados comentarios seguidos. Espera un rato.
No se ha podido enviar el correo de confirmación. Inténtalo de nuevo en unos minutos.



