Científicos del Laboratorio Nacional Lawrence Berkeley del Departamento de Energía (Berkeley Lab) han desarrollado una forma de utilizar el aprendizaje automático para acelerar drásticamente el diseño de microbios que producen biocombustibles.

Su algoritmo informático comienza con abundantes datos sobre las proteínas y los metabolitos en una vía microbiana productora de biocombustibles , pero no hay información sobre cómo funciona realmente la vía.

Luego usa datos de experimentos previos para aprender cómo se comportará la ruta. Los científicos utilizaron la técnica para predecir automáticamente la cantidad de biocombustible producido por las vías que se han agregado a las células bacterianas de E. coli.

El nuevo enfoque es mucho más rápido que la forma actual de predecir el comportamiento de las vías, y promete acelerar el desarrollo de biomoléculas para muchas aplicaciones, además de biocombustibles comercialmente viables, como fármacos que combaten infecciones resistentes a los antibióticos y cultivos que soportan la sequía .

La investigación fue publicada el 29 de mayo en la revista Nature Systems Biology and Applications .

En biología, una vía es una serie de reacciones químicas en una célula que produce un compuesto específico. Los investigadores están explorando formas de rediseñar rutas e importarlas de un microbio a otro, para aprovechar el conjunto de herramientas de la naturaleza para mejorar la medicina, la energía, la fabricación y la agricultura.

¡No te pierdas las últimas noticias!
Haz clic en el tema que más te interese y te mantendremos al corriente con aquellas noticias que no debes perderte.
Investigación Científica

Y gracias a las nuevas capacidades de biología sintética, como la herramienta de edición de genes CRISPR-Cas9, los científicos pueden llevar a cabo esta investigación con una precisión como nunca antes.

"Pero hay un cuello de botella significativo en el proceso de desarrollo", dijo Héctor García Martín, líder del grupo en el DOE Agile BioFoundry y director de Quantitative Metabolic Modeling en el Joint BioEnergy Institute (JBEI), un DOE Bioenergy Research Center financiado por la Oficina de Ciencia del DOE.

y dirigido por Berkeley Lab. La investigación fue realizada por Zak Costello (también con Agile BioFoundry y JBEI) bajo la dirección de García Martín. Ambos investigadores también están en la División de Ingeniería y Sistemas Biológicos del Laboratorio de Berkeley.

"Es muy difícil predecir cómo se comportará una ruta cuando se rediseñe. La resolución de problemas ocupa el 99% de nuestro tiempo. Nuestro enfoque podría acortar significativamente este paso y convertirse en una nueva forma de guiar los esfuerzos de bioingeniería", agregó García.

La forma actual de predecir la dinámica de una ruta requiere un laberinto de ecuaciones diferenciales que describen cómo los componentes en el sistema cambian con el tiempo. Los expertos en áreas temáticas desarrollan estos "modelos cinéticos" durante varios meses, y las predicciones resultantes no siempre coinciden con los resultados experimentales.

El aprendizaje automático

Sin embargo, usa datos para entrenar un algoritmo de computadora para hacer predicciones.

El algoritmo aprende el comportamiento de un sistema al analizar datos de sistemas relacionados. Esto permite a los científicos pronosticar rápidamente la función de una vía, incluso si sus mecanismos son poco conocidos, siempre que haya datos suficientes para trabajar.

Los científicos probaron su técnica en las vías añadidas a las células de E. coli. Una vía está diseñada para producir un combustible a base de biocombustible llamado limoneno; el otro produce un reemplazo de gasolina llamado isopentenol. Experimentos previos en JBEI arrojaron una gran cantidad de datos relacionados con la forma en que las diferentes versiones de las vías funcionan en varias cepas de E. coli. Algunas de las cepas tienen una ruta que produce pequeñas cantidades de limoneno o isopentenol, mientras que otras cepas tienen una versión que produce grandes cantidades de biocombustibles.

Los investigadores alimentaron estos datos en su algoritmo

Luego, el aprendizaje automático tomó el control: el algoritmo se enseñó a sí mismo cómo las concentraciones de metabolitos en estas vías cambian con el tiempo, y cuánto biocombustible producen las vías. Aprendió estas dinámicas al analizar los datos de las dos vías conocidas experimentalmente que producen pequeñas y grandes cantidades.

El algoritmo utilizó este conocimiento para predecir el comportamiento de un tercer conjunto de vías "misteriosas" que el algoritmo nunca había visto antes. Predijo con precisión los perfiles de producción de biocombustibles para las rutas misteriosas, incluyendo que las vías producen una cantidad media de combustible. Además, la predicción derivada del aprendizaje automático superó a los modelos cinéticos.

"Y cuantos más datos agregamos, más precisas eran las predicciones", dijo García Martin. "Este enfoque podría acelerar el tiempo que lleva diseñar nuevas biomoléculas. Un proyecto que hoy lleva diez años y un equipo de expertos podría ser manejado algún día por un estudiante de verano".

¡No te pierdas nuestra pagina de Facebook!!
Haz clic para leer más