Un modello predittivo potenziato dall’intelligenza artificiale potrebbe cambiare il modo in cui identifichiamo dove si trovano le proteine nelle cellule umane. Lo rivela uno studio pubblicato su Nature Methods,[1] aprendo nuove possibilità per diagnosi mediche e sviluppo di farmaci.
Una mappa dettagliata delle proteine cellulari
Individuare la posizione delle proteine all’interno di una cellula è fondamentale, perché una proteina fuori posto può causare malattie come Alzheimer, fibrosi cistica e alcuni tipi di cancro. Tuttavia, mappare manualmente tutte le proteine cellulari è quasi impossibile: ne esistono circa 70.000 e le tecniche tradizionali permettono di esaminarne solo poche alla volta. Per superare questo ostacolo, i ricercatori del MIT, di Harvard e del Broad Institute hanno sviluppato un nuovo metodo, chiamato PUPS, che consente di prevedere la posizione di qualsiasi proteina in qualunque cellula umana. PUPS sfrutta un modello linguistico e uno di visione artificiale per localizzare con precisione le proteine a livello di singola cellula, anche se quella proteina o cellula non era presente nei dati di addestramento.
Come funziona il modello PUPS
Il sistema si basa su due componenti principali. Da un lato, il modello linguistico analizza la sequenza degli aminoacidi per dedurne la struttura tridimensionale e le caratteristiche che influenzano la localizzazione. Dall’altro, un modello di visione artificiale interpreta tre immagini della cellula, ottenute colorando il nucleo, i microtubuli e il reticolo endoplasmatico. Combinando queste informazioni, PUPS riesce a prevedere dove si troverà la proteina all’interno della cellula, restituendo un’immagine evidenziata del punto previsto. Secondo Yitong Tseo, uno degli autori dello studio, questo sistema consente di risparmiare mesi di esperimenti in laboratorio, accelerando il lavoro dei ricercatori.
Prospettive per diagnosi e terapie
Il vantaggio principale di PUPS è la sua capacità di generalizzare: riesce a fare previsioni anche su proteine sconosciute, mutazioni mai osservate e linee cellulari non incluse nei dataset precedenti. Xinyi Zhang, coautrice dello studio, sottolinea che la maggior parte degli altri sistemi richiede di avere già un’immagine della proteina per fare una previsione, mentre PUPS può agire anche senza. Questo lo rende uno strumento potente per identificare nuovi bersagli terapeutici o comprendere meglio malattie complesse. I ricercatori stanno già lavorando per potenziare il modello, includendo la capacità di prevedere interazioni tra più proteine e applicarlo a tessuti umani vivi. Le potenzialità di questo strumento sembrano davvero ampie, specialmente nel campo della medicina personalizzata.
