Un equipo de investigación ha logrado avances significativos en la generación de enzimas utilizando inteligencia artificial generativa, específicamente a través de modelos de lenguaje de proteínas (pLMs). Esta innovadora estrategia no solo aumenta la diversidad natural de estas biomoléculas de alto valor, sino que también se centra en mejorar su estabilidad, especificidad y efectividad en células humanas, aspectos cruciales para el avance de la biotecnología y la medicina.
La empresa Metagenomi se posiciona como líder en el desarrollo de terapias curativas basadas en enzimas de edición genética CRISPR. Su enfoque incluye el uso de una extensa base de datos de enzimas naturales, conocida como MGXdb, que les permite identificar candidatos prometedores y entrenar modelos de lenguaje de proteínas. Estos modelos son capaces de generar variantes adicionales de ciertas clases de enzimas, las cuales son posteriormente filtradas mediante flujos de trabajo de modelos múltiples para predecir características clave y facilitar campañas de ingeniería de proteínas.
Recientemente, un artículo del equipo de Metagenomi ha revelado métodos para reducir los costos asociados a la generación de proteínas usando el modelo Progen2 en instancias AWS Inferentia. Este enfoque ha permitido una disminución de hasta el 56% en los costos de generación de variantes en comparación con tecnologías basadas en GPU. La colaboración con Tennex y el equipo de AWS Neuron ha facilitado la producción a gran escala de enzimas, un aspecto vital para diversificar las clases de enzimas de alto valor.
La utilización de instancias EC2 Inf2 ha permitido la realización masiva de inferencias eficaces a través de AWS Batch, un servicio que optimiza la ejecución de cientos de miles de trabajos computacionales de manera eficiente. Esta infraestructura no solo acelera el tiempo de generación, sino que también minimiza los gastos, un factor crítico en la investigación y desarrollo en el campo de la biotecnología.
Pruebas comparativas de diferentes métodos de generación han demostrado que las modificaciones realizadas no comprometen la precisión de los modelos empleados. Estas pruebas dieron como resultado la generación de miles de secuencias de proteínas, evidenciando que las instancias Spot de EC2 Inf2 resultaron ser significativamente más económicas.
Con el objetivo final de generar millones de proteínas, Metagenomi ha aprovechado su acceso a una vasta base de datos de metagenómica y ha adaptado su modelo para maximizar tanto la eficiencia como la eficacia en la generación de enzimas. Este esfuerzo no solo marca un importante avance en el diseño de proteínas, sino que también representa un hito en la reducción de costos en biotecnología, lo que podría abrir nuevas oportunidades para la producción de proteínas de alto valor en sectores como la farmacéutica y la agricultura.
