- Detalles
- Categoría: BIOVIA
- Visto: 1849
La importancia de los campos de fuerza en la simulación molecular
Los campos de fuerza son fundamentales en la simulación molecular, ya que determinan cómo interactúan las partículas a través de enlaces y otras interacciones. Estos campos son cruciales para predecir propiedades macroscópicas de sistemas como polímeros, incluyendo densidad y temperatura de transición vítrea. Existen varios campos de fuerza, como COMPASSIII y OPLS, cada uno optimizado para diferentes materiales. Además, se utilizan métodos de átomo unido y grano grueso para simplificar simulaciones, permitiendo pasos de tiempo más largos y una mayor eficiencia computacional.
Desarrollo de campo de fuerza personalizado en Materials Studio
En Materials Studio, se desarrolló un campo de fuerza personalizado OPLS-UA mediante la modificación de parámetros atomísticos y validación de torsiones a través de análisis conformacional. Se integraron secuencias de comandos en Perl para extraer energía de torsión y se compararon resultados con la literatura. El campo se probó en seis sistemas de polímeros, equilibrándolos mediante simulaciones de dinámica molecular. Para automatizar el proceso de cálculo del radio de giro, se crearon protocolos Pipeline Pilot, lo que redujo el tiempo y el error humano, validando así la precisión del campo de fuerza.
Se desarrolló un método para convertir polímeros de una representación atomística completa a una de átomo unido eliminando hidrógenos y ajustando los tipos de campo de fuerza. Se creó un script en Perl para automatizar este proceso. Con el campo de fuerza OPLS-UA validado, se pueden modelar reacciones como adición y cicloadición en Materials Studio. Se utilizó el polietileno reticulado (XLPE) como ejemplo, donde se modeló su red mediante un protocolo Pipeline Pilot, ajustando las probabilidades de reacción para investigar sus efectos en las propiedades físicas.
Fragmento de XLPE que muestra los enlaces cruzados formados entre cadenas. Los átomos están coloreados por tipo de campo de fuerza.
Efecto del grado de reticulación en modelos XLPE equilibrados sobre la densidad.Las reacciones de Diels-Alder son importantes en la cicloadición de un dieno con un alqueno, permitiendo la unión de monómeros en sistemas poliméricos complejos. La herramienta Buscador de reacciones se utiliza para dibujar reactivos y productos, mapeando átomos y identificando contactos cercanos entre ellos, lo que proporciona un control significativo. Esto es especialmente útil para modelar estructuras específicas que presentan sitios reactivos atípicos.
Reactivos (izquierda) con contactos cercanos definidos para una reacción de Diels-Alder para formar productos (derecha).Para modelar reacciones de condensación, se utilizó un script Perl personalizable que define los átomos reactivos en monómeros y agentes de curado, organizándolos en una célula amorfa. Este script especifica los átomos reactivos junto con la estructura de entrada y utiliza una subrutina para definir eventos de ruptura de enlaces, produciendo el producto deseado. Su versatilidad permite la reticulación de diversos monómeros y agentes, adaptándose a diferentes requisitos del sistema.
Reactivos (izquierda) con átomos reactivos R1 y R2 definidos para formar el producto (derecha).Conclusión - El Poder de los Materiales Estudio para el Modelado de Redes de Polímeros utilizando Campos de Fuerza de Átomos Unidos
Materials Studio es una plataforma destacada para modelar sistemas y redes de polímeros complejos, ofreciendo diversas herramientas y opciones de personalización. Su integración con Pipeline Pilot, el desarrollo de campos de fuerza personalizados y las secuencias de comandos de Perl brindan un control preciso en la construcción de modelos y simulaciones. Esta versatilidad y control permiten a los investigadores avanzar en el diseño, optimización y predicción de propiedades de polímeros con alta precisión y eficiencia.
- Detalles
- Categoría: Minitab
- Visto: 1320
Con sede en Yeongdeungpo-gu, Seúl, Corea del Sur, LG Chem emplea a 14.460 personas en Corea, y a otros 4890 en el extranjero. LG Chem es una empresa farmacéutica y química del Grupo LG, que fabrica medicamentos y dispositivos médicos, y se especializa en fábricas inteligentes y sostenibilidad. Kang Hee Kim, profesional, Jefe del Departamento de Capacitación en Innovación de LG Chem, dijo: “Mi organización tiene la tarea de diseñar sistemas para el avance de la calidad farmacéutica, capacitar a las partes interesadas en estos sistemas y proporcionar instrucciones sobre el uso de programas estadísticos para permitir métodos de trabajo más científicos”.
Por qué LG Chem eligió Minitab
El Sr. Kim dijo que Minitab es el software de estadística oficialmente respaldado por la Administración de Alimentos y Medicamentos (FDA) de EE. UU. y ya es ampliamente utilizado por otras subsidiarias del Grupo LG. También dijo que LG Chem agradecía el entorno basado en la nube y la capacitación y el soporte técnico superiores que Minitab Corea proporcionó. LG Chem a la larga decidió utilizar Minitab Statistical Software.
El Sr. Kim es responsable de capacitar y guiar a la empresa en la implementación efectiva de sistemas avanzados de calidad farmacéutica. Este trabajo consiste principalmente en proporcionar capacitación en Minitab.
“Minitab realiza análisis estadísticos, el lenguaje de la ciencia, con precisión. También es muy compatible con otros programas de procesamiento de texto, lo que facilita la incorporación de los resultados en los documentos”, dijo el Sr. Kim.
A LG Chem también le gustó la compatibilidad sin contratiempos que facilita la elaboración de tablas ANOVA y la posibilidad de exportar los resultados a otras plataformas. El Sr. Kim dijo que aprecia que Minitab es compatible con varios idiomas, y simplemente al cambiar la configuración del idioma, su equipo puede generar resultados de análisis en el idioma elegido.
El desafío
El Sr. Kim dijo que para innovar, en el campo de la ciencia se debe aprovechar la estadística. El mayor desafío de LG Chem fue la falta de conocimiento entre el personal y los ejecutivos de la estadística y el análisis estadístico. El mayor desafío era compartir conocimientos de estadística y brindar capacitación en Minitab en toda la empresa. El equipo del Sr. Kim proporciona instrucciones de cómo usar Minitab, fomenta su uso y demuestra cómo la estadística y el análisis estadístico pueden optimizar las operaciones de LG Chem. “Hoy en día, estamos preparando muchos expertos en Minitab dentro de la empresa, y Minitab actualiza continuamente sus características, lo que justifica aún más nuestro uso continuo del programa”, dijo el Sr. Kim.
La solución
LG Chem utiliza las soluciones de Minitab para resolver muchas tareas, desde los departamentos de producción y calidad hasta los de investigación y desarrollo. Se utiliza en el ámbito del diseño de fármacos, para validar métodos de prueba y realizar investigaciones sobre la estabilidad de los fármacos. “Los productos farmacéuticos requieren estadísticas desde el principio hasta el final del desarrollo, y la mayoría de los departamentos de nuestra empresa utilizan Minitab”, afirmó el Sr. Kim.
LG Chem confía exclusivamente en Minitab para realizar el diseño de experimentos (DOE). El Sr. Kim considera que el DOE es esencial para mejorar la calidad durante el desarrollo farmacéutico y, como siempre, su equipo ofrece formación y capacitación para garantizar que se utilice de manera eficaz.
"No puedo trabajar sin Minitab. Se ha convertido en una rutina".- Kang Hee Kim, profesional, Jefe del Departamento de Capacitación en Innovación de LG Chem |
Los resultados
Con Minitab en funcionamiento, LG Chem ha visto muchas mejoras de calidad, incluida la prevención de fallas de proceso y la reducción de piezas defectuosas.
En 2023, las actividades de innovación en LG Chem dieron como resultado ganancias financieras que superaron los 100 mil millones de KRW (más de 73 millones de dólares estadounidenses). El Sr. Kim dijo que no puede atribuir el 100 % de estos logros únicamente a Minitab, pero puede decir con confianza que Minitab ha contribuido significativamente y se ha convertido en una parte integral de la cultura laboral diaria en su empresa.
El Sr. Kim consideró que trabajar con el equipo de Minitab Corea fue positivo y agradable. Valoró que el equipo siempre propusiera enfoques novedosos y productivos, y que siempre respondiera todas las preguntas de manera rápida y positiva.
“ Dada su capacidad para mejorar nuestros procesos de trabajo, consideramos a Minitab como un factor clave en el éxito de nuestro programa de mejora de la calidad ” .- Señor Kim |
El Sr. Kim cita el interés del director ejecutivo de LG Chem en Minitab y su apoyo a la empresa como factores clave del éxito, junto con contar con la organización y el personal adecuados para impulsar la iniciativa. La competencia en Minitab se considera crucial para las promociones y evaluaciones en la empresa.
"No puedo trabajar sin Minitab. Se ha convertido en algo rutinario", dijo Kim.
|
La organización
El desafíoLG Chem se esfuerza por mantener la calidad y la eficiencia en sus tecnologías y procesos de fabricación de vanguardia. La empresa confía en Minitab para que la ayude en este esfuerzo, y el equipo necesita recibir capacitación sobre cómo utilizar las soluciones para lograr el máximo impacto. Productos utilizados>Minitab® Statistical Software Los resultados
|
- Detalles
- Categoría: Signals ChemDraw
- Visto: 2059
Queremos compartir con los usuarios del software de Revvity una noticia importante sobre los próximos cambios en la oferta de licencias para ChemDraw Prime y ChemDraw Professional.
A partir del 1 de enero de 2025, se suspenderán las licencias perpetuas de ChemDraw Prime y Professional.
Debido a este cambio, a partir de esta fecha:
- No se pueden comprar nuevas licencias perpetuas de ChemDraw Prime o Professional
- Solo estarán disponibles las licencias de suscripción de estos productos (suscripciones de 1 a 5 años disponibles)
- Los paquetes de soporte y mantenimiento para los actuales titulares de licencias perpetuas seguirán estando disponibles y podrán renovarse.
Aquellos usuarios que dispongan de licencias perpetuas con mantenimiento en curso no podrán comprar nuevas licencias perpetuas a partir del 1 de enero de 2025. Todas las compras de nuevas licencias deben ser de suscripción a partir de esta fecha.
Si tiene alguna duda sobre este cambio no dude en consultarnos.
- Detalles
- Categoría: Minitab
- Visto: 1334
Por Stacey McDaniel.
Las investigaciones demuestran que invertir en formación puede tener un impacto significativo tanto en el rendimiento individual como en el éxito general de la empresa. Si sus empleados no están completamente formados y familiarizados con los sistemas tecnológicos de su empresa, no podrá sacarles el máximo partido. En el caso de Minitab, sus empleados pueden sufrir ansiedad estadística o simplemente no saber qué análisis de datos utilizar para resolver un problema.
Apoye el crecimiento de sus empleados con formación
Los resultados del Informe de aprendizaje en el lugar de trabajo 2024 de LinkedIn encontraron que las cinco razones principales para invertir en iniciativas de aprendizaje son:
- Alineación de los programas de aprendizaje con los objetivos empresariales
- Capacitación de empleados
- Crear una cultura de aprendizaje
- Ayudar a los empleados a desarrollar sus carreras
- Mejorar la retención de empleados
El análisis a continuación demuestra que las empresas con fuertes culturas de aprendizaje registran mayores tasas de retención y mayor movilidad interna en comparación con aquellas con menores niveles de compromiso:
Informe de aprendizaje en el lugar de trabajo de LinkedIn 2024
Diferentes tipos de entrenamiento
Como casi todo lo demás, la formación se presenta en diferentes variedades. La formación puede girar en torno al desarrollo personal y profesional, como aprender a gestionar el tiempo o a las personas, o a mejorar las habilidades en cuestiones como el análisis predictivo o incluso en temas más específicos como la mejora de los procesos de fabricación.
Muchas de estas habilidades utilizan distintos tipos de herramientas o soluciones. Aprovechar el poder del software, como Minitab, puede ayudarle a lograr sus objetivos de manera eficiente y eficaz. Por lo tanto, la capacitación en software en sí puede representar la mejor oportunidad para crecer.
¿Busca cursos de formación? Echa un vistazo a nuestro catálogo
Razones para invertir en formación de software
Todas las señales apuntan a los numerosos beneficios que una formación eficaz en software puede tener tanto en el rendimiento individual como en el éxito general de la empresa, y estos son sólo algunos de ellos:
- ROI maximizado: para aprovechar al máximo su inversión en software, vale la pena asegurarse de que sus empleados conozcan plenamente las aplicaciones y características incluidas en la solución y entiendan cómo aplicarlas en sus funciones.
- Productividad mejorada: los empleados que comprenden bien cómo utilizar una plataforma de software pueden realizar sus tareas de manera más eficiente, reduciendo el tiempo dedicado a solucionar problemas y, en cambio, empleando su tiempo de manera más constructiva.
- Empleados comprometidos: brindarles a los empleados oportunidades de capacitación demuestra que valora su crecimiento y eso puede conducir a una mayor satisfacción laboral.
- Ventaja competitiva: siempre que pueda utilizar un nuevo software para tomar decisiones mejores y más inteligentes, su empresa podrá crecer y transformarse más. En el caso de la capacitación de Minitab, cualquier empleado capacitado podrá aplicar un análisis de datos sofisticado para obtener información más detallada.
- Ahorro de costes: una vez que sus empleados estén plenamente capacitados para utilizar una solución, habrá menos necesidad de recurrir a consultores externos. Además, la formación ayudará a reducir los errores y a tomar mejores decisiones.
Una cosa es segura: invertir en capacitación de software para sus empleados es una decisión estratégica que le reportará muchos beneficios a su organización. Si está considerando brindarles a sus empleados la oportunidad de adquirir un conocimiento más profundo de Minitab mediante capacitación, no dude en contactarnos. Capacitar a los empleados en Minitab le permitirá a su empresa tomar decisiones inteligentes, mejorar la calidad, ser más eficiente y mantenerse competitiva en este mundo impulsado por los datos.
- Detalles
- Categoría: Signals ChemDraw
- Visto: 2604
Revvity Signals impulsa el descubrimiento de fármacos con IA, potenciando la investigación de anticuerpos con soluciones avanzadas de datos y software
La investigación de anticuerpos se centra en cuatro áreas principales: anticuerpos monoclonales (mAbs), anticuerpos biespecíficos (bsAbs), conjugados anticuerpo-fármaco (ADC) y fragmentos cristalizables (FC). Desde la aprobación del primer mAb en 1986, el desarrollo de terapias ha avanzado considerablemente, con más de 150 mAbs aprobados para el tratamiento de diversas enfermedades, incluyendo cáncer, enfermedades autoinmunes e infecciosas.
La investigación en terapias avanzadas, como los bsAbs y los anticuerpos multiespecíficos, ofrece mejoras respecto a los mAbs tradicionales, incluyendo mayor especificidad y mejores perfiles de seguridad. El mercado refleja este crecimiento: la inversión en investigación de anticuerpos ha crecido significativamente, con un aumento en las aprobaciones de la FDA en la última década, alcanzando casi cinco aprobaciones por año entre 2013 y 2023.
A nivel de salud pública, aunque el cáncer es una causa importante de muerte en EE.UU., el foco de la investigación en anticuerpos está más orientado hacia enfermedades no oncológicas, en una proporción de 57:42.
Antes del descubrimiento de los anticuerpos monoclonales, no se comprendía la existencia de mAbs, bsAbs, ADC y FC, lo que limitaba el tratamiento de muchas enfermedades. Ahora, para explorar nuevas terapias en áreas aún desconocidas, las empresas recurren a la inteligencia artificial (IA). Al combinar IA con grandes bases de datos y modelos de lenguaje, se busca descubrir nuevos enfoques para el desarrollo de fármacos.
AlphaFold y Firefly Bio son ejemplos de cómo la IA impulsa avances en esta área. AlphaFold, de Google DeepMind, predice estructuras de proteínas en 3D, acelerando la selección de candidatos terapéuticos. Por su parte, Firefly Bio se enfoca en desarrollar tratamientos contra el cáncer, combinando ADCs y degradadores de proteínas en un nuevo tipo de terapia: los conjugados de anticuerpos degradadores (DACs). Firefly utiliza IA para explorar y seleccionar candidatos prometedores antes de invertir en el desarrollo físico. Además, Vertex Pharmaceuticals también ha adoptado tecnologías de degradación de proteínas para avanzar en terapias de edición genética.
El Dr. Jiye Shi y su equipo crearon bimekizumab, el primer anticuerpo monoclonal diseñado por IA, marcando un avance en el tratamiento de la psoriasis y un mercado prometedor.
Absci, pionera en el uso de IA generativa de disparo cero, ha logrado diseñar anticuerpos sin datos previos, reduciendo el tiempo de desarrollo de 6 a 2 años, y probando millones de diseños semanales.
Genentech también usa IA y aprendizaje automático para acelerar el diseño de anticuerpos y optimizar su proceso tras la compra de Prescient Design.
Evotec empleó redes generativas adversariales para crear una biblioteca de anticuerpos contra el SARS-CoV-2, priorizando características como estabilidad y larga duración. Sin embargo, estos avances dependen de datos de alta calidad y del análisis de los compuestos rechazados, que pueden contener información valiosa. Así como la mayoría de un iceberg permanece oculto, el enfoque exclusivo en datos visibles puede limitar el descubrimiento.
¿Hacia dónde vamos?
La IA muestra gran potencial en el descubrimiento de fármacos con anticuerpos, aunque aún depende de bibliotecas de compuestos y enfrenta limitaciones, especialmente si no se han cristalizado ciertas proteínas. Para mejorar su precisión, se necesitan más datos verificados y modelos de aprendizaje automático más avanzados. Además, es crucial investigar los efectos a largo plazo de la inmunogenicidad en anticuerpos de nueva generación y optimizar características de anticuerpos biespecíficos y multiespecíficos, como su estabilidad y capacidad de fabricación.
Revvity Signals facilita el uso de datos en IA para el descubrimiento de fármacos, organizando datos y enriqueciendo su contexto para entrenar modelos de IA de manera más efectiva. Su plataforma Signals Research Suite, que incluye herramientas como ChemDraw y Signals Notebook, proporciona soporte para la organización de datos y análisis impulsados por IA, ayudando a los investigadores a satisfacer las complejas demandas científicas actuales y a descubrir nuevas terapias.
¿Necesitas más información?
¡Contáctanos!
- Detalles
- Categoría: Comsol
- Visto: 1505
.gif)
Introducción
El postprocesado en COMSOL Multiphysics® ofrece un gran potencial para el análisis de los resultados obtenidos en las simulaciones numéricas. Este análisis, que conocemos como postprocesado, permite generar imágenes de alta resolución y realismo a partir de los resultados de simulación. El modelo "Dam Breaking on a Column" [1] es un excelente ejemplo para comprender la capacidad de COMSOL Multiphysics® para el postprocesado de resultados, permitiendo visualizar una simulación de dinámica de fluidos computacional (computational fluid dynamics, CFD) utilizando el método Level Set que permite simular interfaces o contornos en movimiento utilizando una malla fija, y de especial utilidad para simular la interacción de fluidos con estructuras sólidas.
Modelización y simulación
El modelo en régimen transitorio "Dam Breaking on a Column" [1] emplea la interfaz de flujo bifásico en régimen laminar y función de nivel (Level Set) para simular el impacto de una ola de agua sobre una columna. Como se muestra en la Figura 1, un cuerpo de agua de 0.3 metros de altura se encuentra inicialmente contenido detrás de una compuerta. La simulación comienza cuando la compuerta se abre, de forma que el fluido se libera generando una ola que se desplaza hacia la estructura. Después del impacto inicial en la columna, el agua continúa su trayectoria hasta impactar en la pared del tanque, regresando para chocar con la columna una vez más. De este modo, es posible calcular la fuerza que ejerce el agua sobre la columna y puede compararse con medidas experimentales.
Figura 1. Geometría y situación inicial del agua.
Postprocesado
La Figura 2 muestra una animación que permite visualizar el resultado de la simulación del modelo. El postprocesado necesario para generar esa animación requiere utilizar la opción la opción de "Apariencia de materiales y transparencia" que se muestra en la Figura 3 (a). Esta opción permite definir un material para una superficie, especificar el color especular, color de difusión y color ambiente, así como diferentes parámetros de reflejos y sombras. Para agregar un grado de realismo aún mayor a la visualización de resultados, es fundamental activar las opciones de “oclusión ambiental”, “sombras directas” y “sombras del suelo” para conseguir el efecto visual deseado (Fig. 3 (b)).
Figura 2. Isosuperficie de la fracción volúmica del fluido (agua).
Figura 3. Opciones utilizadas para la visualización del gráfico. (a) Apariencia de materiales y transparencia. (b) Oclusión ambiental y sombras. (c) Opciones del nodo “View 1”.
La modificación de la escena visual en COMSOL Multiphysics® se realiza desde el nodo "View 1" que se muestra en la Figura 3 (c). En este nodo, es posible añadir diferentes tipos de luces, así como modificar su posición, intensidad y color. Se pueden crear diferentes vistas que pueden seleccionarse posteriormente en las figuras de postprocesado.
Otros ejemplos de Postprocesados en COMSOL Multiphysics® y visualización de resultados de simulación con un alto nivel de realismo se encuentra en los modelos "Sports Car" [2] (Figura 4) y "Wave Based Room" [3], que se muestran en la Figura 4 y Figura 5, respectivamente. Los ejemplos que se muestran en este artículo destacan el potencial de obtener Postprocesados hiperrealistas en COMSOL Multiphysics en numerosas disciplinas, como CFD e ingeniería acústica, entre otras.
Figura 4. Visualización de los resultados del modelo “Sports Car” [2].
Figura 5. Visualización de los resultados del modelo “Wave Based Room” [3].
Referencias
[1] Dam Breaking on a Column, Level Set. COMSOL Application Gallery: https://www.comsol.com/model/dam-breaking-on-a-column-level-set-87881. Acceso 2024.11.05.
[2] Large Eddy Simulation of a Sports Car. COMSOL Application Gallery: https://www.comsol.com/model/large-eddy-simulation-of-a-sports-car-97341. Acceso 2024.11.05.
[3] Wave-Based Time-Domain Room Acoustics with Frequency-Dependent Impedance. COMSOL Application Gallery: https://www.comsol.com/model/wave-based-time-domain-room-acoustics-with-frequency-dependent-impedance-90551. Acceso 2024.11.05.
- Detalles
- Categoría: BIOVIA
- Visto: 2056
Hasta hace poco, las herramientas de diseño computacional para la bioterapéutica parecían requerir más experiencia, y ser más escasas y específicas de la aplicación en comparación con las herramientas que existen para la terapéutica de moléculas pequeñas. Por supuesto, existen algoritmos de diseño computacional disponibles, como el modelado de homología, el acoplamiento proteína-proteína y la mutagénesis de escaneo combinatorio para el modelado general de proteínas y el diseño de aglutinantes, que se utilizan en el descubrimiento y la optimización de pistas bioterapéuticas. Para el diseño de ciertos tipos de terapias biológicas, como los anticuerpos monoclonales, existen métodos como la maduración por afinidad, la humanización y los algoritmos de predicción de inmunogenicidad. Sin embargo, para ayudar a responder directamente qué variación de nuestro producto bioterapéutico deberíamos hacer y probar a continuación, dos métodos recientes de IA, RFDiffusion y ProteinMPNN, han cambiado totalmente la naturaleza del descubrimiento bioterapéutico. Estas herramientas tienen el potencial de cambiar la forma en que diseñamos bioterapéuticos al ayudar a identificar nuevos candidatos que los biólogos computacionales y moleculares pueden no haber considerado.
Generación de proteínas con IA: RFDiffusion y ProteinMPNN
RFDiffusion es un algoritmo de IA generativa de última generación que puede "difundir" una colección de aminoácidos en una estructura de proteína. El proceso de difusión comienza con una colección aleatoria y ruidosa de átomos y, a través de una serie de refinamientos controlados, el algoritmo realiza ajustes en la estructura para reducir el ruido y acercarse a una estructura de proteína biológicamente realista y funcional. Una analogía común para el proceso de difusión es revelar una foto a partir de una imagen borrosa; Los pasos de procesamiento iterativos pueden tomar una imagen granulada inicial y refinar el detalle y la claridad para producir una imagen clara final.
RFDiffusion se puede utilizar para una serie de diferentes desafíos de diseño bioterapéutico, como la ingeniería de un producto biológico que pueda unirse a una proteína viral para neutralizar el virus. Con estructuras de anticuerpos u otros sistemas proteína-proteína, RFDiffusion se puede utilizar para diseñar nuevos andamios de proteínas que puedan mejorar las afinidades de unión o mejorar la estabilidad de los socios de unión. RFDiffusion también se puede utilizar para generar terapias enzimáticas que pueden descomponer un sustrato específico para tratar trastornos metabólicos. Más allá de la bioterapia, RFDiffusion tiene potencial para ayudar a diseñar proteínas para aplicaciones industriales y biotecnológicas, como la fabricación de enzimas que catalizan reacciones químicas específicas o proteínas que se adaptan a condiciones muy específicas, como baja o alta temperatura, pH, etc.
ProteinMPNN es una red neuronal de última generación que puede predecir una o más secuencias de proteínas probables dada una estructura proteica. Este algoritmo se ha publicado con éxito en uno de los aspectos más críticos del diseño de secuencias de proteínas: generar secuencias que se pliegan en una proteína/péptido estable con propensión a cristalizar, lo que facilita la determinación de la estructura de estas proteínas. ProteinMPNN se puede utilizar junto con RFDiffusion para generar nuevos diseños de proteínas, como nuevas enzimas o anticuerpos, que se pueden evaluar más a fondo para determinar las propiedades deseadas, como la estabilidad, la actividad, la afinidad y la especificidad. Uno de los puntos fuertes de ProteinMPNN es su capacidad para generar múltiples variantes de secuencia. Esta capacidad es invaluable, ya que las diferentes variantes brindan más opciones para probar e identificar candidatos con el mejor rendimiento en términos de eficacia, seguridad y capacidad de fabricación. De igual manera, estas variantes también proporcionan pistas alternativas cuando los candidatos encuentran problemas imprevistos en la optimización de proteínas, durante la expresión de proteínas o desafíos de ADMET, como la solubilidad y la inmunogenicidad.
Juntos, RFDiffusion y ProteinMPNN amplían significativamente el espacio biológico que se puede explorar in silico antes de que los biólogos tengan que comprometerse con una experimentación física costosa y que requiere mucho tiempo. Tienen el potencial de abrir vías interesantes para flujos de trabajo más inteligentes, basados en modelos y datos, que impulsen la innovación en el diseño bioterapéutico.
Generación de proteínas con RFDiffusion y ProteinMPNN en la simulación de Discovery Studio
En BIOVIA Discovery Studio Simulation, un nuevo protocolo Generate Protein Scaffolds proporciona ahora un fácil acceso a los flujos de trabajo de RFDiffusion, el primero de los cuales es el andamiaje de motivos. Los usuarios pueden comenzar con una parte específica de una proteína existente (el motivo) y diseñar un andamio de proteína completamente nuevo que incorpore este motivo. Este enfoque permite un control preciso sobre las regiones funcionales de la proteína, así como un control sobre el diseño del andamiaje de la proteína, a través de diferentes pesos de modelo que se adaptan a proteínas y complejos particulares.
Figura 1- Los usuarios de Discovery Studio Simulation ahora tienen acceso al andamiaje de motivos con RFDiffusion.Un segundo protocolo nuevo, Generate Protein Sequences, permite a los usuarios acceder no solo a ProteinMPNN, donde pueden definir fácilmente los residuos de la secuencia para el diseño, sino también a los modelos LigandMPNN y SolubleMPNN. LigandMPNN es una extensión de ProteinMPNN que es capaz de considerar ligandos de proteínas, moléculas pequeñas, ácidos nucleicos e iones metálicos como contexto adicional para el diseño de secuencias, con el potencial de mejorar las propiedades químicas de las secuencias diseñadas. SolubleMPNN podría ser un mejor modelo para usar cuando la solubilidad de las proteínas es parte de sus criterios de diseño. Los usuarios pueden determinar el grado de diversidad de secuencias y la confianza deseada, como parte del diseño generativo, y tienen la capacidad de controlar el sesgo de aminoácidos particulares.
Figura 2- Los usuarios de Discovery Studio Simulation ahora pueden generar nuevas secuencias utilizando modelos ProteinMPNN y usar AlphaFold / OpenFold para generar sus estructuras 3D para aplicaciones posteriores.Estas dos nuevas e importantes mejoras son interesantes adiciones a las herramientas bioterapéuticas y de diseño de proteínas en Discovery Studio Simulation en el 3DEXPERIENCIA® en la nube, que ya incluye la predicción de estructuras AlphaFold y OpenFold AI. Amplían el arsenal cada vez mayor de potentes herramientas de IA para modeladores moleculares y biólogos para ayudar a responder a la pregunta de "qué hacer y probar a continuación" y acelerar el diseño racional de productos biológicos. En combinación con los métodos basados en la física existentes en Discovery Studio Simulation, los usuarios pueden explorar rápidamente muchas más posibilidades in silico antes de llegar al puñado final de candidatos que están listos para convertirse en un bioterapéutico comercial exitoso o un biológico para su uso en la agricultura, la alimentación y las bebidas, o las industrias medioambientales.
Premios Nobel de Química y Física
Los Premios Nobel de Química y Física de este año celebran cómo la IA está ampliando los límites de la investigación científica. John J. Hopfield y Geoffrey E. Hinton fueron galardonados con el Premio Nobel de Física por sus descubrimientos fundamentales en el aprendizaje automático con redes neuronales artificiales, mientras que David Baker, Demis Hassabis y John Jumper recibieron el Premio Nobel de Química por sus avances en el diseño computacional de proteínas y la predicción de su estructura.
En BIOVIA, estamos orgullosos de formar parte de esta revolución de la IA. Al integrar AlphaFold2, OpenFold, RFDiffusion y la familia de modelos ProteinMPNN en nuestra plataforma, dotamos a los investigadores de herramientas de vanguardia para la predicción de la estructura y el diseño de proteínas.
Vea el vídeo para obtener más información sobre cómo Discovery Studio Simulation ahora ayuda a los usuarios a generar productos biológicos novedosos con los modelos RFDiffusion y LigandMPNN.