O MIT desenvolveu um modelo de linguagem para otimizar códons de proteínas produzidas por leveduras industriais, visando reduzir custos de desenvolvimento e fabricação de biomedicamentos. O estudo usa Komagataella phaffii para melhorar a eficiência de produção de proteínas em seis alvos diferentes, incluindo hormônio de crescimento humano e um anticorpo monoclonal usado no tratamento do câncer.
A abordagem combina uma encoder-decoder de grande linguagem com dados de codons usados pela levedura. O modelo aprendeu padrões de codonização específicos de K. phaffii e previu quais códons seriam mais eficientes, aumentando a produção dos alvos em laboratório.
Os pesquisadores comparam a nova técnica com quatro ferramentas comerciais de otimização de códons. Em experimentos, as sequências otimizadas pelo modelo MIT resultaram nas melhores produções para cinco proteínas e na segunda posição para a sexta. A equipe observa melhoria na confiabilidade do processo.
Codificação genética e eficiência de produção
A levedura K. phaffii, amplamente utilizada na indústria, produz bilhões de dólares em proteínas e vacinas anualmente. O estudo analisa como ajustar a sequência de DNA para favorecer a expressão, levando em conta a disponibilidade de tRNA e padrões de uso de códons.
Entre os alvos testados estão hormônio do crescimento humano, albumina sérica humana e trastuzumabe, utilizado no tratamento de câncer. Os resultados sugerem que a IA pode tornar o desenvolvimento de biológicos mais rápido e previsível, reduzindo etapas experimentais.
O MIT planeja disponibilizar o código para outros pesquisadores interessados em K. phaffii ou em outras espécies. A abordagem também foi testada com dados de humanos e bovinos, indicando que modelos específicos por espécie podem ser necessários para otimizar códons de proteínas alvo.
Entre na conversa da comunidade