Un nuevo avance en el ámbito de la biotecnología se ha materializado con el desarrollo de EZSpecificity, una herramienta impulsada por inteligencia artificial que promete revolucionar la forma en que los investigadores determinan la compatibilidad entre enzimas y sustratos. Esta innovación, liderada por el profesor Huimin Zhao de la Universidad de Illinois en Urbana-Champaign, busca optimizar las combinaciones de enzimas y sustratos para diversas aplicaciones, que van desde la catálisis hasta la medicina y la manufactura.
La investigación ha sido publicada en la prestigiosa revista Nature, donde el equipo de Zhao explica que EZSpecificity utiliza nuevos datos sobre pares de enzimas y sustratos junto con un algoritmo de aprendizaje automático. Esta herramienta está disponible de forma gratuita en línea, lo que subraya el compromiso del equipo por facilitar el acceso a investigaciones avanzadas.
Mejoras en la predicción de especificidad enzimática
Según Zhao, la capacidad de una enzima para interactuar con un sustrato se conoce como especificidad, y es crucial para el éxito de diversas reacciones bioquímicas. La analogía clásica del «cerradura y llave» ilustra este concepto; sin embargo, el funcionamiento enzimático es mucho más complejo. Las enzimas presentan una conformación dinámica que cambia al interactuar con un sustrato, lo que complica la predicción de la mejor combinación.
La investigación anterior en este campo había presentado limitaciones en cuanto a precisión y tipos de reacciones enzimáticas que podían predecir. Para mejorar la capacidad predictiva del modelo, el equipo de Zhao se asoció con el profesor Diwakar Shukla, quien llevó a cabo estudios de acoplamiento para crear una base de datos extensa. Esta base incluye información sobre la secuencia y estructura de las enzimas, así como sobre cómo se adaptan a diferentes sustratos.
Los investigadores llevaron a cabo millones de simulaciones de acoplamiento para complementar y expandir los datos experimentales existentes. Esto permitió construir un predictor de especificidad enzimática altamente preciso, superando al modelo líder actual, ESP, en cuatro escenarios diseñados para simular aplicaciones del mundo real. EZSpecificity logró una precisión del 91,7% en sus predicciones, en comparación con el 58,3% de ESP.
Zhao ha enfatizado que, aunque no se puede garantizar que EZSpecificity funcione para todas las enzimas, los resultados obtenidos son prometedores. Con el objetivo de democratizar el acceso a esta herramienta, se ha diseñado una interfaz de usuario que permite a los investigadores ingresar la secuencia de la proteína y el sustrato para predecir su compatibilidad.
De cara al futuro, el equipo tiene planes de expandir sus herramientas de inteligencia artificial para analizar la selectividad enzimática, lo que permitirá identificar enzimas con preferencias específicas en los sitios de los sustratos y así evitar efectos no deseados. Además, planean continuar refinando EZSpecificity mediante la incorporación de más datos experimentales.
