PREVISIONI MIRATE PER LOCALIZZARE LE PROTEINE NELLA CELLULA E FAR

Progredire La Ricerca

Aggiornato MULocDeep, il software di intelligenza artificiale che identifica la posizione delle proteine a livello subcellulare e apre la strada a nuove scoperte biologiche

Poter prevedere la posizione di una proteina all’interno della cellula è importante per comprendere i meccanismi patologici associati a diverse malattie. Questa previsione può portare a nuove scoperte scientifiche legate a numerose applicazioni come la formulazione di nuovi farmaci o il trattamento di malattie neurologiche come l’epilessia.

Per predire computazionalmente la localizzazione delle proteine, è possibile addestrare un modello di apprendimento automatico che fornisce le probabilità di appartenenza di una proteina a diversi compartimenti cellulari utilizzando le proprietà della proteina o altre informazioni rilevanti. Questo processo però spesso si complica poiché alcune proteine sono note per esistere in più di un organello e perché nella maggior parte degli scomparti cellulari esistono diversi compartimenti sub-organellari. Inoltre, i meccanismi alla base della localizzazione delle proteine e dei peptidi targeting non sono ancora del tutto compresi.

Recentemente Dong Xu, professore presso il Dipartimento di Ingegneria Elettrica e Informatica dell’Università del Missouri, e i suoi colleghi hanno aggiornato il loro modello di previsione della localizzazione delle proteine, chiamato MULocDeep, con la capacità di fornire previsioni più mirate, compresi modelli specifici per animali, esseri umani e piante. Il modello è stato creato 10 anni fa da Xu e dal collega Jay Thelen, professore di biochimica, per studiare inizialmente le proteine nei mitocondri.

Per la previsione della localizzazione delle proteine sono stati sviluppati nel tempo numerosi approcci basati sull’apprendimento automatico e i relativi strumenti. Tra i metodi più importanti per questo scopo vi sono in generale ProtT5_LA, DeepLoc e MULocDeep. Questi metodi variano nelle caratteristiche di input, si rivolgono a specie diverse e si concentrano su problemi di localizzazione specifici.

Xu, autore principale del lavoro che è stato pubblicato sulla rivista Nucleic Acids Research, spiega così lo scopo del suo team: «Molte scoperte biologiche devono essere convalidate da esperimenti, ma non vogliamo che i ricercatori debbano spendere tempo e denaro per condurre migliaia di test per arrivarci». «Un approccio più mirato fa risparmiare tempo». «Il nostro strumento – aggiunge Xu - fornisce una risorsa utile ai ricercatori, aiutandoli a raggiungere le loro scoperte più velocemente, perché possiamo aiutarli a progettare esperimenti più mirati da cui partire per far progredire la loro ricerca in modo più efficace».

Addestrando i computer a fare previsioni utilizzando i dati esistenti, gli autori sfruttano la potenza dell’intelligenza artificiale attraverso l’apprendimento automatico. Il loro modello può aiutare altri ricercatori che studiano i meccanismi associati alla localizzazione irregolare delle proteine, nota come “dislocazione”, che accade quando una proteina si dirige in un posto diverso da quello previsto. Quest’anomalia è spesso associata a malattie come i disturbi metabolici, i tumori e i disturbi neurologici.

«Alcune malattie sono causate da un’errata localizzazione, che impedisce alla proteina di svolgere correttamente la funzione per cui è stata progettata poiché non riesce a raggiungere il suo bersaglio o ci arriva in modo inefficiente», ha detto Xu.

Nell’articolo il team dei ricercatori descrive anche un’altra importante applicazione del modello predittivo: l’assistenza alla progettazione di farmaci mirata a spostare nella posizione corretta una proteina localizzata in un punto errato.

In futuro, Xu spera di ricevere ulteriori finanziamenti per aumentare l’accuratezza del modello e sviluppare ulteriori funzionalità. «Vogliamo continuare a migliorare il modello per arrivare a capire se una mutazione in una proteina può causare una localizzazione errata, se le proteine sono distribuite in più di un compartimento cellulare o, come i peptidi di segnale possono aiutare a prevedere la localizzazione in modo più preciso», ha detto Xu. «Noi non offriamo soluzioni per lo sviluppo di farmaci o trattamenti delle malattie, ma il nostro strumento può aiutare altri a sviluppare soluzioni mediche». «Oggi la scienza - continua Xu - è come una grande impresa: persone diverse giocano ruoli diversi e lavorando insieme possiamo ottenere risultati utili a tutti».

Addestrando i computer a fare previsioni utilizzando i dati esistenti, gli autori sfruttano la potenza dell’intelligenza artificiale attraverso l’apprendimento automatico.

Nell’articolo gli autori hanno presentato il design dell’applicazione web MULocDeep, le tecniche e i dati utilizzati per perfezionare il modello MULocDeep originale. Per il team risulta inoltre fondamentale garantire che i metodi computazionali siano facilmente accessibili a utenti con background diversi. Per questo motivo Xu sta lavorando con i colleghi per sviluppare un corso online gratuito per studenti delle scuole superiori e dell’università basato sui concetti biologici e bioinformatici utilizzati nel modello. Lo scopo del servizio web è quello di fornire agli utenti un modo semplice per accedere a MULocDeep. L’applicazione web MULocDeep è disponibile all’indirizzo https://www.mu-loc.org/.