Predicción de plegamiento de proteínas mediante redes neuronales y el modelo transformador

Abstract

La presente tesis se centra en la aplicación de redes neuronales y el modelo transformador para abordar la predicción del legamiento de proteínas, un problema fundamental en la biología estructural y el diseño de fármacos. La innovación clave de este estudio reside en la implementación de modelos transformadores, una clase de arquitectura de aprendizaje profundo que ha revolucionado el procesamiento del lenguaje natural gracias a su capacidad para manejar secuencias largas y su mecanismo de atención, que asigna importancia relativa a diferentes partes de la entrada de datos.El plegamiento de proteínas es el proceso mediante el cual estas macromoléculas biológicas alcanzan su conformación tridimensional específica, la cual es crítica para su función. Este proceso es esencial para la vida, ya que las proteínas cumplen roles vitales como catalizadores de procesos bioquímicos, defensores contra patógenos, transportadores de moléculas y reguladores de la expresión genética. Un plegamiento incorrecto puede resultar en enfermedades graves, por lo que comprender y predecir el plegamiento de proteínas tiene enormes implicaciones en la salud y la medicina. En este estudio, las redes neuronales y los modelos transformadores se entrenan y validan con datos de proteínas cuyas estructuras ya han sido resueltas. La capacidad de las redes neuronales para identificar patrones y aprender de grandes conjuntos de datos se combina con la eficiencia de los transformadores en el manejo de las secuencias de aminoácidos para predecir su estructura final. Esta sinergia entre ambas tecnologías representa una promesa considerable para superar las limitaciones de los métodos de predicción de plegamiento existentes. La contribución de esta tesis a la informática y a la biología computacional es doble: por un lado, se avanza en el estado del arte de las técnicas de modelado de datos secuenciales; y por otro, se aplican estos avances técnicos a uno de los retos más persistentes de la biología. Los resultados esperan ofrecer un enfoque más preciso y eficiente en la predicción del plegamiento proteico, con el potencial de acelerar el descubrimiento de nuevos fármacos y terapias personalizadas.