Minería biolóxica

A minería biolóxica consiste na extracción da información biolóxica do mundo utilizando unha combinación da bioloxía computacional, a xenómica e a aprendizaxe automática para desenvolver novos antibióticos e outras moléculas de utilidade.^[1]

En 2019, o equipo de De la Fuente Lab, propuxo por primeira vez a exploración dixital dos repositorios de datos biolóxicos existentes (xenomas, metaxenomas e proteomas) como unha nova estratexia para acelerar o descubrimento de antibióticos.^[2] Grazas aos avances en intelixencia artificial, a minería biolóxica facilita a identificación de novas moléculas a unha velocidade moi alta e cun enfoque moito máis amplo, en lugar de recorrer a experimentos cuxo custo temporal é moito maior. Para lograr isto, desenvolvéronse modelos de intelixencia artificial adestrados con conxuntos de datos experimentais estandarizados, co fin de predicir a actividade antimicrobiana de secuencias específicas de aminoácidos, dando orixe a unha novo paradigma no descubrimento de antibióticos. Esta liña de investigación tamén revelou unha nova clase de péptidos, os péptidos encriptados.

Esta ferramenta xa permitiu descubrir axentes antimicrobianos ocultos dentro dunha variedade de xenomas, incluídos os de organismos vivos e extintos, como a guavanina-2,^[3] a mamutusina ou a neandertalina.^[4]

Notas

↑ Fuente-Nunez, Cesar de la (2024-11-26). "Mining biology for antibiotic discovery". Plos Biology (en inglés) 22 (11): e3002946. ISSN 1545-7885. doi:10.1371/journal.pbio.3002946. Consultado o 2024-11-29.
↑ Torres, Marcelo Der Torossian; de la Fuente-Nunez, Cesar (2019-10-01). "Toward computer-made artificial antibiotics". Antimicrobials 51: 30–38. ISSN 1369-5274. doi:10.1016/j.mib.2019.03.004. Consultado o 2024-11-29.
↑ Porto, William F.; Irazazabal, Luz; Alves, Eliane S. F.; Ribeiro, Suzana M.; Matos, Carolina O.; Pires, Állan S.; Fensterseifer, Isabel C. M.; Miranda, Vivian J.; Haney, Evan F. (2018-04-16). "In silico optimization of a guava antimicrobial peptide enables combinatorial exploration for peptide design". Nature Communications (en inglés) 9 (1): 1490. ISSN 2041-1723. doi:10.1038/s41467-018-03746-3. Consultado o 2024-11-29.
↑ Wan, Fangping; Torres, Marcelo D. T.; Peng, Jacqueline; de la Fuente-Nunez, Cesar (2024-07). "Deep-learning-enabled antibiotic discovery through molecular de-extinction" (en inglés) 8 (7): 854–871. ISSN 2157-846X. doi:10.1038/s41551-024-01201-x. Consultado o 2024-11-29.

Véxase tamén

Ligazóns externas

De la Fuente Lab (en inglés)

[1] Fuente-Nunez, Cesar de la (2024-11-26). "Mining biology for antibiotic discovery". Plos Biology (en inglés) 22 (11): e3002946. ISSN 1545-7885. doi:10.1371/journal.pbio.3002946. Consultado o 2024-11-29.

[2] Torres, Marcelo Der Torossian; de la Fuente-Nunez, Cesar (2019-10-01). "Toward computer-made artificial antibiotics". Antimicrobials 51: 30–38. ISSN 1369-5274. doi:10.1016/j.mib.2019.03.004. Consultado o 2024-11-29.

[3] Porto, William F.; Irazazabal, Luz; Alves, Eliane S. F.; Ribeiro, Suzana M.; Matos, Carolina O.; Pires, Állan S.; Fensterseifer, Isabel C. M.; Miranda, Vivian J.; Haney, Evan F. (2018-04-16). "In silico optimization of a guava antimicrobial peptide enables combinatorial exploration for peptide design". Nature Communications (en inglés) 9 (1): 1490. ISSN 2041-1723. doi:10.1038/s41467-018-03746-3. Consultado o 2024-11-29.

[4] Wan, Fangping; Torres, Marcelo D. T.; Peng, Jacqueline; de la Fuente-Nunez, Cesar (2024-07). "Deep-learning-enabled antibiotic discovery through molecular de-extinction" (en inglés) 8 (7): 854–871. ISSN 2157-846X. doi:10.1038/s41551-024-01201-x. Consultado o 2024-11-29.

[1]

[2]

[3]

[4]