Es difícil sobrestimar el potencial de la biotecnología para abordar algunos de los desafíos más apremiantes del siglo XXI. Estos desafíos incluyen alimentar a una población mundial en crecimiento, mejorar la atención médica y el acceso a las terapias, y mitigar los impactos del cambio climático.

Teniendo en cuenta la naturaleza "rica en datos" de la experimentación biológica y la gran dependencia de dichos datos, no es de extrañar por qué la inteligencia artificial (IA) está desempeñando un papel crucial en el avance de la biología sintética al facilitar el diseño, la construcción y la optimización de los sistemas biológicos. Algunas de las formas clave en que se utiliza la IA para avanzar en la biología sintética incluyen:

Edición de genes basada en CRISPR

La inteligencia artificial juega un papel importante en la mejora de la edición de genes utilizando la tecnología CRISPR-Cas9. CRISPR-Cas9 es una poderosa herramienta de edición de genes que permite a los investigadores realizar ediciones precisas en el genoma agregando, eliminando o alterando secciones de la secuencia de ADN. Sin embargo, uno de los desafíos de la tecnología CRISPR-Cas9 es la predicción y minimización de los efectos fuera del objetivo, que son modificaciones no deseadas en las secuencias de ADN que son similares al sitio objetivo previsto.

La IA puede ayudar a abordar este problema mediante el análisis de grandes cantidades de datos genómicos para predecir posibles efectos fuera del objetivo y su probabilidad, guiando así a los investigadores hacia una edición de genes más precisa y eficiente. Los algoritmos de aprendizaje automático se pueden entrenar en grandes conjuntos de datos de secuencias genómicas y perfiles de corte CRISPR-Cas9 para predecir efectos fuera del objetivo en función de las similitudes entre el objetivo y las secuencias fuera del objetivo, así como otros factores como la accesibilidad de la cromatina.

Además, la IA puede ayudar a identificar sitios de destino óptimos para la edición de CRISPR-Cas9 mediante el análisis del contexto genómico, las anotaciones funcionales y los posibles sitios fuera de destino. Esto permite a los investigadores seleccionar sitios de destino con riesgos mínimos fuera del objetivo y una mayor eficiencia de edición.

Otro aspecto en el que la IA puede contribuir a la tecnología CRISPR-Cas9 es la optimización del diseño del ARN guía (ARNg). El gRNA es un componente crucial en el sistema CRISPR-Cas9, responsable de guiar a la nucleasa Cas9 a la secuencia de ADN objetivo. Los algoritmos de IA se pueden emplear para analizar las características de la secuencia, predecir la eficiencia de unión de gRNA y sugerir secuencias óptimas de gRNA para un objetivo específico, mejorando la eficiencia y especificidad general de la edición de genes.

En este contexto, una empresa interesante es Sintego, que es un proveedor de soluciones de ingeniería genómica CRISPR, que utiliza algoritmos de aprendizaje automático para analizar y predecir diseños óptimos de ARN guía (ARNg), minimizando los efectos no deseados y maximizando la eficiencia de edición.

Otra compañía, inscripción es una empresa de tecnología de edición de genes que desarrolla la plataforma Onyx, un instrumento de sobremesa totalmente automatizado para la edición de genes de alto rendimiento. Sus algoritmos avanzados y modelos de aprendizaje automático permiten el diseño, la optimización y la ejecución rápidos de experimentos CRISPR, agilizando el proceso y mejorando los resultados.

Optimización de secuencias de genes

La optimización de la secuencia de genes aprovecha los algoritmos de IA, específicamente el aprendizaje automático y los modelos de aprendizaje profundo, para analizar grandes cantidades de datos genéticos y determinar las secuencias de genes ideales para funciones biológicas específicas. Al hacerlo, los investigadores pueden diseñar genes sintéticos con mayor eficiencia y estabilidad. 

Una empresa destacada en este campo es banco de pruebas, que ofrece una plataforma basada en la nube para la investigación en ciencias de la vida, que permite a los científicos diseñar, editar y simular secuencias de genes utilizando algoritmos de aprendizaje automático. Otro ejemplo es DNA2.0, ahora conocido como ATUM, que utiliza su tecnología patentada GeneGPS™ para diseñar genes optimizados para la expresión en cualquier organismo huésped. Twist Bioscience también está a la vanguardia de la optimización de secuencias de genes, aprovechando la síntesis de ADN basada en silicio para generar genes optimizados y de alta calidad para diversas aplicaciones.

diseño de proteínas

El diseño y la ingeniería de proteínas utilizan IA para pronosticar la estructura y la función de las proteínas según sus secuencias de aminoácidos, lo que permite a los científicos crear proteínas innovadoras con características específicas. Este proceso puede resultar en la creación de nuevas enzimas, terapias y biomateriales.

Un jugador clave en este dominio es Mente profunda, la compañía detrás de AlphaFold, un sistema de inteligencia artificial que predice con precisión las estructuras de las proteínas en función de las secuencias de aminoácidos, lo que revoluciona la predicción de la estructura de las proteínas. Rosetta por el Instituto de Diseño de Proteínas es otra poderosa herramienta computacional para la predicción y el diseño de la estructura de proteínas, que permite la creación de proteínas personalizadas. Además, Zymergen emplea técnicas impulsadas por IA para diseñar y diseñar proteínas novedosas, con aplicaciones en industrias como la agricultura, la atención médica y la ciencia de los materiales. 

Finalmente, Meta, la compañía detrás de Facebook e Instagram, presentó el Atlas Metagenómico ESM, que contiene las estructuras de más de 600 millones de proteínas putativas. Aunque el algoritmo Meta AI, ESMFold, puede no ser tan preciso como AlphaFold de DeepMind, cuenta con un tiempo de procesamiento más rápido. Esta mayor velocidad proviene del método de predicción de la estructura de proteínas del algoritmo, que emplea un modelo de lenguaje entrenado en datos de secuencia, o el orden de los aminoácidos en las cadenas lineales que constituyen las proteínas.

Como resultado de su capacidad de procesamiento acelerado, los investigadores pudieron predecir los 600 millones de estructuras en un período de tiempo de solo dos semanas, utilizando una red de aproximadamente 2 unidades de procesamiento de gráficos.

Ingeniería de vías metabólicas

La ingeniería de vías metabólicas aprovecha la IA para identificar y mejorar las vías metabólicas para generar compuestos específicos, incluidos biocombustibles, productos farmacéuticos y diversos productos químicos. Al examinar la interacción entre genes, enzimas y metabolitos, los algoritmos de IA pueden pronosticar las rutas más efectivas para sintetizar moléculas objetivo.

Una empresa pionera en este campo es Ginkgo Bioworks, que utiliza técnicas impulsadas por IA para diseñar microbios para producir compuestos valiosos con aplicaciones industriales. Otro ejemplo notable es inscripción, que ofrece la plataforma Onyx™ para el diseño y la ingeniería de cepas microbianas para optimizar las vías metabólicas para la producción de moléculas específicas. Además, Zymergen emplea inteligencia artificial y automatización para diseñar microbios y optimizar las vías metabólicas, con aplicaciones que abarcan la agricultura, la atención médica y la ciencia de los materiales.

Diseño de experimentos automatizados

La IA puede ayudar a optimizar los diseños experimentales en biología sintética, prediciendo qué experimentos tienen más probabilidades de producir resultados valiosos y guiando a los investigadores para que tomen decisiones más informadas.

Un líder en esta área es sintetizador, que ofrece la plataforma Antha, un software basado en la nube para diseñar, simular y ejecutar flujos de trabajo de investigación biológica utilizando algoritmos de aprendizaje automático. Otro jugador importante es Arzeda, una empresa que emplea IA y diseño computacional de proteínas para construir circuitos genéticos personalizados para diversas aplicaciones industriales. 

teselagen está desplegando la primera solución que incorpora tecnología de información habilitada para IA de última generación para biotecnología como un sistema operativo empresarial seguro. Impulsado por el motor de aprendizaje automático Synthetic Evolution®, TeselaGen estandariza, analiza e integra datos de varias fuentes y permite diseñar experimentos de alto rendimiento y alto contenido. 

Para concluir, la IA tiene el poder de generar cambios significativos en la biología sintética, ayudándonos a abordar algunos de los problemas más urgentes de la actualidad. Sin embargo, es importante recordar que esta colaboración entre disciplinas viene con su propio conjunto de desafíos. La naturaleza complicada de los sistemas biológicos, las limitaciones de los datos que tenemos, la lucha por validar los modelos y la necesidad de cooperación entre varios campos presentan obstáculos que superar.

Temas: Tendencias industriales   

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Automoción / vehículos eléctricos, Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• Desplazamientos de bloque. Modernización de la propiedad de compensaciones ambientales. Accede Aquí.
• Fuente: https://www.biopharmatrend.com/post/642-from-gene-editing-to-pathway-design-how-ai-is-transforming-synthetic-biology/