Conferencia: 'Modelaxe de receptores inmunitarios impulsada por aprendizaxe automática'

O deep learning transformou a ciencia das proteínas, permitindo unha predición de estrutura cada vez máis precisa, modelado do linguaxe das proteínas e deseño xerativo de proteínas. Non obstante, os receptores inmunitarios seguen sendo unha fronteira especialmente difícil: para os anticorpos e receptores de células T, as dobreces globais precisas non son suficientes. A especificidade de unión, a reactividade cruzada e a afinidade están gobernadas por interfaces flexibles onde os modelos actuais de predición de estruturas teñen, a miúdo, a menor confianza.

Nesta charla, discutiréi o noso traballo no desenvolvemento de enfoques de aprendizaxe automática para modelar o recoñecemento de receptores de células B e T. Primeiro, presentaré como modelos xerativos informados por dinámicas moleculares poden capturar conxuntos conformacionais de TCR máis alá de estruturas estáticas, con implicacións para a predición do recoñecemento de péptidos e a reactividade cruzada. A continuación, describirei modelos baseados en grafo da afinidade anticorpo-antíxeno que integran representacións estruturais cos embeddings do modelo de linguaxe das proteínas para mellorar a xeneralización a través de familias de anticorpos e antíxenos. Finalmente, presentaréi o traballo en curso sobre o deseño de péptidos de novo no contexto de enfermidades autoinmunes, así como estratexias para axustar modelos de linguaxe de proteínas para mellorar a clasificación zero-shot das interaccións receptor inmunitario-ligando.

Xuntos, estes exemplos ilustran un tema central: a próxima xeración de modelado de receptores inmunitarios necesitará ir alén da predición estática de estruturas cara a modelos que integren secuencia, estrutura, dinámica e restricións biofísicas na interface de unión.

Sobre a relatora

A Prof. María Rodríguez Martínez é Profesora Asociada de Informática Biomédica e Ciencia de Datos na Yale School of Medicine e membro do Centro de Sistemas e Enxeñaría da Inmunoloxía. A súa investigación atópase na intersección da intelixencia artificial e a inmunoloxía, onde desenvolve enfoques de deep learning interpretables e xerativos para modelar receptores inmunitarios adaptativos. Integra enfoques de deep learning para modelado de proteínas, incluíndo modelos de linguaxe de proteínas e predición de estruturas, cunha base de datos experimental como a secuenciación do repertorio inmunitario a gran escala e conxuntos de datos multimodais para descifrar as relacións entre secuencia, estrutura e función nos receptores de células T e B. O seu traballo ten aplicacións en enfermidades autoinmunes, deseño de vacínas e inmunoterapias de próxima xeración.

Antes de unirse a Yale, María pasou unha década en IBM Research Europe, onde liderou o equipo de Bioloxía de Sistemas Computacionais e coordinou grandes consorcios interdisciplinares, incluíndo iniciativas financiadas pola UE en medicina personalizada para o cancro. A súa investigación durante este período avanzou métodos de aprendizaxe automática para modelar a evolución tumoral, a resposta aos fármacos e as interaccións entre o sistema inmunitario e o tumor.

A carreira académica de María abarca a física e a bioloxía de sistemas. Publicou amplamente sobre aprendizaxe automática para a bioloxía computacional, dinámicas de repertorio inmunitario e predición baseada en estruturas de interaccións biomoleculares. O seu traballo danos unha ponte entre a bioloxía computacional, a aprendizaxe automática e a inmunoloxía, cunha énfase en modelos interpretables que poden acelerar o descubrimento biolóxico e as aplicacións transacionais.