Aplicación de la Inteligencia Artificial en la predicción de estructuras 3D de RNA
Un equipo de investigadores del Instituto de Ciencias del Cáncer de Singapur (CSI Singapur) de la Universidad Nacional de Singapur (NUS) ha logrado utilizar con éxito la inteligencia artificial (IA) y las técnicas de aprendizaje profundo para modelar estructuras de ácido ribonucleico (RNA) a nivel atómico a partir de secuencias primarias de RNA.
Bajo el nombre de DRfold, este nuevo método basado en IA mejora la exactitud de los modelos de RNA en más de un 70 por ciento, en comparación con los métodos tradicionales.[automatic_youtube_gallery type="search" search="Singapur desarrolla herramienta basada en IA para predicción precisa de la estructura 3D del ARN para mejorar el diseño de medicamentos" cache="2419200" per_page="1" thumb_excerpt="0" player_description="0"]
Expansión de los objetivos de diseño de fármacos
Se estima que dirigir pequeñas moléculas hacia los RNAs expandirá el panorama del diseño de fármacos de manera exponencial, en comparación con el descubrimiento de fármacos dirigidos a proteínas tradicionales. Por lo tanto, la biología del RNA y sus aplicaciones para el desarrollo de nuevos medicamentos representan un campo emergente de importancia crítica, captando significativas inversiones académicas e industriales a nivel global.
Direcciones futuras hacia las interacciones entre proteínas y RNA
Al mirar hacia el futuro, el equipo planea ampliar su estrategia de IA para incluir interacciones de proteínas-RNA, un área en la que actualmente no existen métodos fiables basados en IA para la predicción de estructuras de complejos de proteínas y RNA de alta calidad. Estas herramientas son relevante para la anotación de la función del RNA y el descubrimiento de fármacos basados en RNA.
Además, el equipo espera mejorar aún más la precisión de DRfold en la predicción de la estructura del RNA de cadena única. Una de las barreras inherentes proviene de la limitada disponibilidad de estructuras experimentales de RNA, que impacta en la precisión de los modelos de aprendizaje profundo, especialmente para RNAs de gran tamaño (aproximadamente más de 200 nucleótidos). Se necesitan estrategias e ideas innovadoras para superar el obstáculo de las predicciones de alta precisión de la estructura del RNA, y los investigadores actualmente están trabajando en ello con progresos alentadores.