Obtención de una visión sin precedentes de las moléculas pequeñas mediante aprendizaje automático
Aplicaciones en medicina, descubrimiento de fármacos y química medioambiental
Una nueva herramienta para identificar moléculas pequeñas ofrece ventajas para el diagnóstico, el descubrimiento de fármacos y la investigación fundamental. Un nuevo modelo de aprendizaje automático ayudará a los científicos a identificar moléculas pequeñas, con aplicaciones en medicina, descubrimiento de fármacos y química medioambiental. Desarrollado por investigadores de la Universidad Aalto y la Universidad de Luxemburgo, el modelo se ha entrenado con datos de docenas de laboratorios hasta convertirse en una de las herramientas más precisas para identificar moléculas pequeñas.
Moldéculas pequeñas - ilustración
Matti Ahlgren, Aalto University
Miles de pequeñas moléculas diferentes, conocidas como metabolitos, transportan energía y transmiten información celular por todo el cuerpo humano. Al ser tan pequeños, los metabolitos son difíciles de distinguir entre sí en un análisis de muestras de sangre, pero identificar estas moléculas es importante para comprender cómo afectan al bienestar el ejercicio, la nutrición, el consumo de alcohol y los trastornos metabólicos.
Los metabolitos se identifican normalmente analizando su masa y tiempo de retención con una técnica de separación denominada cromatografía líquida seguida de espectrometría de masas. Esta técnica separa primero los metabolitos haciendo pasar la muestra por una columna, lo que da lugar a diferentes velocidades de flujo -o tiempos de retención- a través del dispositivo de medición. A continuación, se utiliza la espectrometría de masas para afinar el proceso de identificación clasificando los metabolitos en función de su masa. Los investigadores también pueden dividir los metabolitos en fragmentos más pequeños para analizar su composición mediante una técnica denominada espectrometría de masas en tándem.
"Incluso los mejores métodos no pueden identificar más del 40% de las moléculas de las muestras sin hacer algunas suposiciones adicionales sobre las moléculas candidatas", afirma el profesor Juho Rousu, de la Universidad de Aalto.
Ahora, el grupo de Rousu ha desarrollado un novedoso modelo de aprendizaje automático para identificar moléculas pequeñas. Se acaba de publicar en Nature Machine Intelligence.
"Este nuevo modelo de código abierto ofrece a toda la comunidad investigadora una visión enriquecida de las moléculas pequeñas. Ayudará a investigar métodos para identificar trastornos metabólicos, como la diabetes, o incluso el cáncer", afirma Rousu.
El nuevo enfoque sortea con elegancia uno de los problemas a los que se enfrentan los métodos convencionales. Como los tiempos de retención de las moléculas varían de un laboratorio a otro, los datos no pueden compararse entre laboratorios. Eric Bach, estudiante de doctorado en Aalto, ideó una alternativa durante su investigación doctoral que resolvía el problema.
"Nuestra investigación demuestra que, aunque los tiempos de retención absolutos pueden variar, el orden de retención es estable en las mediciones de distintos laboratorios", explica Bach. "Esto nos permitió fusionar por primera vez todos los datos disponibles públicamente sobre metabolitos e introducirlos en nuestro modelo de aprendizaje automático".
Con la incorporación de datos de docenas de laboratorios de todo el mundo, el modelo de aprendizaje automático es lo suficientemente preciso como para distinguir entre moléculas de imagen especular, conocidas como variantes estereoquímicas. Hasta ahora, las herramientas de identificación no habían sido capaces de distinguir las variantes estereoquímicas, y se espera que la nueva capacidad abra nuevas vías en el diseño de fármacos y otros campos.
"El hecho de que el uso de la estereoquímica mejore el rendimiento de la identificación es una revelación para todos los desarrolladores de métodos de identificación de metabolitos", afirma Emma Schymanski, profesora asociada del Centro Luxemburgués de Biomedicina de Sistemas (LCSB) de la Universidad de Luxemburgo. "Este método también podría utilizarse para ayudar a identificar y rastrear microcontaminantes en el medio ambiente o caracterizar nuevos metabolitos en células vegetales".
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
![Visualización de la catálisis de la [Fe]-hidrogenasa mediante espectroscopia de resonancia magnética nuclear potenciada con parahidrógeno](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Reciba la química en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de química, análisis, laboratorio y tecnología de procesos le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
