La saison dernière, Le quart-arrière des Chiefs de Kansas City, Patrick Mahomes, affichait un pourcentage de réussite de 66,3 passes.

Mais les statistiques impressionnantes de Mahomes pâlissent par rapport à la précision de MAHOMES, ou Heuristique d'activité des métaux des sites métalloprotéiques et enzymatiques, un modèle d'apprentissage automatique développé à l'Université du Kansas - et nommé en l'honneur du quart-arrière - qui pourrait conduire à des résultats plus efficaces, des thérapies médicamenteuses écologiques et moins chères et d'autres produits industriels.

Au lieu de cibler de larges récepteurs, MAHOMES différencie les métaux enzymatiques et non enzymatiques dans les protéines avec un taux de précision de 92,2 %. Une équipe de la KU a récemment publié des résultats sur cette approche d'apprentissage automatique pour différencier les enzymes dans Communication Nature .

"Les enzymes sont des protéines super intéressantes qui font toute la chimie - une enzyme fait une réaction chimique sur quelque chose pour le transformer d'une chose à une autre, " a déclaré l'auteur correspondant Joanna Slusky, professeur agrégé de biosciences moléculaires et de biologie computationnelle à la KU. "Tout ce que vous apportez dans votre corps, votre corps le décompose et le transforme en de nouvelles choses, et ce processus de décomposition et de transformation en de nouvelles choses, tout cela est dû aux enzymes. »

Slusky et des étudiants diplômés collaborateurs dans son laboratoire, Ryan Feehan (le fan des Chiefs qui a nommé MAHOMES) et Meghan Franklin du Center for Computational Biology de KU, cherché à utiliser des ordinateurs pour distinguer les métalloprotéines, qui n'effectuent pas de réactions chimiques, et métalloenzymes, qui facilitent les réactions chimiques avec une puissance et une efficacité étonnantes.

Le problème est que les métalloprotéines et les métalloenzymes sont identiques à bien des égards.

"Les gens ne savent pas exactement comment fonctionnent les enzymes, " Slusky a dit. " Pour n'importe quelle enzyme donnée, vous pouvez dire, "D'ACCORD, vous savez, il enlève cet hydrogène et met le groupe -OH, " ou quoi qu'il fasse. Mais si je vous donnais une protéine que vous n'aviez jamais vue auparavant et que je vous demandais, « Quelle fin est terminée ? De quel côté est la réaction ?, ' tu, en tant que scientifique et même en tant qu'enzymologue, ne pourrait probablement pas me le dire. Maintenant, l'une des clés est qu'environ 40 % de toutes les enzymes utilisent des métaux pour la catalyse. Ainsi, leur protéine se lie à un métal, puis tout ce qui est modifié entre dans ce site actif et est modifié. Nous voyons ces protéines et métalloenzymes liant les métaux, qui sont des enzymes qui lient des métaux, comme une formidable opportunité pour nous, car mon laboratoire s'intéresse à l'apprentissage automatique qui peut faire un très bon travail pour différencier les sites enzymatiques des sites similaires mais non enzymatiques."

En tant que premier cycle de la KU, Le co-auteur principal Feehan a commencé à compiler le plus grand ensemble de données structurelles au monde sur les sites de métalloprotéines enzymatiques et non enzymatiques, un travail qui s'est poursuivi dans sa carrière d'étudiant diplômé. Puis, il a mis gratuitement l'ensemble de données à la disposition d'autres chercheurs sur Github.

« Les données structurelles sont très difficiles à obtenir, " dit Slusky. " Mais si vous êtes intéressé par ce que sont la physique et la chimie, et où sont ces atomes, et que peuvent-ils faire dans ces relations, vous avez besoin de structures protéiques. La partie la plus difficile était d'obtenir un tas de structures de sites enzymatiques, sachant qu'ils étaient des sites enzymatiques, puis obtenir un tas de sites non enzymatiques qui liaient des métaux - et savoir qu'ils n'étaient pas des enzymes - et les extraire d'une grande base de données structurelle. »

Feehan a pu trouver des milliers de sites uniques de liaison aux métaux actifs et inactifs, puis testé des approches d'apprentissage automatique pour faire la distinction entre les deux. Pour y parvenir, Feehan et Franklin ont entraîné un modèle d'apprentissage par ordinateur (MAHOMES) pour examiner une fente dans une protéine et prédire si cette fente pouvait faire de la chimie (ce qui signifie qu'il s'agissait d'une enzyme). En regardant les caractéristiques physico-chimiques, MAHOMES a obtenu une précision de 92,2% et un rappel de 90,1% en distinguant les sites actifs et inactifs.

Slusky a déclaré que l'approche pourrait être une étape importante pour rendre les enzymes plus utiles pour la production de thérapies médicamenteuses vitales et une foule d'autres processus industriels. En effet, l'approche mise au point par l'équipe KU pourrait même révolutionner la façon dont les enzymes sont conçues.

"J'espère que cela changera la synthèse en général, " dit-elle. " J'espère qu'il y aura des médicaments moins chers fabriqués avec moins de ramifications environnementales. À l'heure actuelle, la synthèse des sociétés pharmaceutiques a d'énormes implications environnementales, et ce serait formidable si nous pouvions les réduire. Mais il y a aussi une synthèse dans généralement toutes les industries. Si vous voulez faire de la peinture, la peinture a besoin de synthèse. Tout est fait de produits chimiques, par exemple, textiles. Vous pouvez récolter du coton, mais finalement, vous allez donner des propriétés matérielles particulières à ce coton avant de le vendre, et cela nécessite des produits chimiques. Plus nous pouvons faire de synthèse par des enzymes et plus nous pouvons faciliter la tâche des entreprises pour faire cette synthèse par des enzymes, moins ce sera cher, et plus il sera vert."

Selon Slusky, la recherche sur l'apprentissage automatique se poursuivra selon trois axes.

"Numéro un, nous essayons d'améliorer un peu l'approche de l'apprentissage automatique, " dit-elle. " Numéro deux, nous commençons à concevoir des enzymes avec. Et numéro trois, nous voulons faire cela pour les enzymes qui ne lient pas les métaux. Quarante pour cent de tous les sites actifs d'enzymes ont des métaux liés. Faisons les 60% restants, aussi, et trouver le bon ensemble de comparaisons pour les 60 % restants est un projet sur lequel travaille un autre étudiant diplômé de mon laboratoire."