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: hecho documentado.
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
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 biomaterialesdeep learninghidrogelesingeniería de tejidosproteínas
Tu opinión
0 comentarios
Relacionadas
Multiverse Computing propone podar modelos grandes de lenguaje usando optimización tipo Ising
Multiverse Computing publicó un paper que reformula la eliminación de bloques en LLMs como un problema de optimización binaria restringida, equivalente a…
Por qué importaComprimir modelos grandes manteniendo calidad reduce costes de inferencia y despliegue, algo clave para empresas que operan LLMs a escala. El método…
Sistemas de IA como 'co-científicos' aceleran la investigación biomédica en laboratorios punteros
Investigadores del Whitehead Institute usaron Co-Scientist, de Google, para generar 108 estrategias contra el gen MYC en cáncer tras analizar más de 700…
Por qué importaEstos sistemas pueden comprimir años de exploración experimental en días, cambiando el papel del científico hacia la formulación de preguntas y la…
Tencent presenta Gander, modelo de voz que conversa mientras ejecuta tareas en segundo plano
El equipo Hunyuan Speech de Tencent junto a investigadores universitarios presentó Gander, un modelo de investigación que procesa voz, imagen y texto…
Por qué importaMuestra un enfoque arquitectónico para resolver el compromiso entre fluidez conversacional y capacidad de razonamiento en asistentes de voz, un…
Runway investiga generación de vídeo IA en streaming en tiempo real controlado por el usuario
Runway presentó investigación sobre generación de vídeo en tiempo real basada en su modelo GWM-1, que produce vídeo fotograma a fotograma en lugar de generar…
Por qué importaSi se generaliza, la generación de vídeo instantánea podría abaratar costes de cómputo y abrir aplicaciones antes inviables económicamente, además de…