Početak projekta: 1.10.2025.

Fazna separacija tekućina (LLPS) predstavlja ključni mehanizam za stvaranje dinamičnih kapljičastih kondenzata koji reguliraju različite stanične funkcije te novih biomaterijala. Iako je LLPS opsežno proučavan na razini proteina, predviđanje i razumijevanje LLPS-a u peptidima predstavlja novi i izazovan pravac istraživanja. Peptidi, kao kraće i strukturno jednostavnije biomolekule, nude jedinstvene mogućnosti za dizajn funkcionalnih materijala temeljenih na principima fazne separacije. Međutim, istraživanje njihovog kemijskog prostora predstavlja veliki kombinatorni izazov zbog ogromnog broja mogućih sekvenci, a složena i još uvijek nedovoljno istražena pravila koja upravljaju ovim procesom onemogućuju korištenje standardnih pristupa predviđanju LLPS-a.

Projekt ima za cilj razvoj računalnog okvira temeljenog na metodama strojnog učenja i evolucijskog računarstva za otkrivanje peptida s visokom sklonošću faznoj separaciji. Razvojem modela dubokog učenja istražit će se prijenos znanja s proteina na peptide kako bi se poboljšala klasifikacija i interpretacija sklonosti za LLPS. Poseban naglasak stavlja se na tehnike objašnjivosti modela kako bi se otkrili obrasci u sekvencama, te integraciju tih znanja u višekriterijske generativne modele koji će predlagati nove funkcionalne peptide. Eksperimentalna validacija generiranih kandidata dodatno će potvrditi učinkovitost razvijenog pristupa.

Ovim projektom istražuje se mogućnost izvlačenja znanja iz skupova podataka peptida i proteina, što otvara mogućnost za primjene rezultata i u drugim područjima njihova djelovanja, kao što su terapeutska ili katalitička funkcija. Kako bi se ovaj ambiciozni projekt realizirao, okupljen je multidisciplinarni tim stručnjaka iz računarstva i umjetne inteligencije te kemije i biokemije peptida, a sam projekt ima potencijal značajno doprinijeti razumijevanju peptida sposobnih za LLPS te u inženjerstvu novih nanomaterijala s mogućim primjenama biotehnologiji i medicini.