Politecnico di Torino - Corso Duca degli Abruzzi, 24 - 10129 Torino, ITALY

+39 011 090 6100 info@tech-share.it

Metodo computazionale per l’ottimizzazione di sequenze biologiche

covid-19Design delle proteineDrug DiscoveryEnzimi artificialiMaturazione affinità anticorpiOttimizzazione delle proteine

Introduzione

Il design di nuove proteine (ad esempio anticorpi e enzimi) è oggetto di un intenso interesse nella ricerca chimica e farmaceutica, con un mercato di prodotti e servizi in espansione. Il presente brevetto riguarda una innovativa metodologia di machine learning per la generazione di sequenze di proteine ottimizzate per una specifica funzione biochimica.

Caratteristiche Tecniche

La predizione di sequenze di proteine con una funzionalità specifica è un problema con enormi ricadute nel campo farmacologico, biomedicale e industriale. Uno degli approcci più utilizzati è costituito dal processo di evoluzione diretta, nel quale è possibile caratterizzare la funzionalità di librerie combinatorie di mutanti con lo scopo di selezionare le varianti con una accresciuta funzionalità biologica di interesse. Coniugando questi esperimenti con le recenti tecniche di sequenziamento del DNA è possibile acquisire una dettagliata mappatura dell’associazione genotipo-fenotipo della libreria combinatoria. La presente invenzione fa uso di un innovativo metodo di machine-learning che a partire dal sequenziamento della libreria produce una modellizzazione statistica accurata di questa associazione, permettendo la costruzione di modelli per la generazione di nuove sequenze aminoacidiche con funzioni biochimiche di interesse.

Possibili Applicazioni

  • Drug discovery;
  • Maturazione affinità di anticorpi;
  • Ottimizzazione di funzioni enzimatiche con applicazioni industriali (settori: detergenti, tessile, alimentare);
  • Ottimizzazione di affinità, stabilità, attività specifica, solubilità e altri parametri.

Vantaggi

  • Generazione in silico di nuove sequenze;
  • Precisione inedita nello scoring della funzione biologica considerata;
  • Applicabile a diversi schemi sperimentali;
  • Integrabile con altri approcci;
  • Evoluzione diretta assistita da Machine Learning;
  • Dati in ingresso ottenuti con esperimenti a basso costo.