Aprendizaje Automático Integrando la Estructura, Secuencia y Dinámica de Proteínas para Predecir la Actividad Enzimática de Variantes de Enterocinasa Bovina

A pesar de los recientes avances en la ciencia computacional de proteínas, el comportamiento dinámico de las proteínas, que gobierna directamente su actividad biológica, no se puede obtener solo de la información de secuencia. Para superar este desafío, proponemos un marco que integra la secuencia peptídica, la estructura proteica y los descriptores de dinámica proteica en algoritmos de aprendizaje automático para mejorar sus capacidades predictivas y lograr una mejor predicción de la función de variantes de proteínas. La tubería de aprendizaje automático resultante integra información tradicional de secuencia y estructura con datos de simulación de dinámica molecular para predecir los efectos de múltiples mutaciones puntuales en la mejora de la actividad de variantes de enterocinasa bovina. Este estudio destaca cómo la combinación de datos estructurales y dinámicos puede proporcionar información predictiva sobre la funcionalidad de las proteínas y abordar los desafíos de ingeniería de proteínas en contextos industriales.