III Simposio de Postgrado 2025: Ingeniería, ciencia e innovación

11 190 Módulo Química, Biotecnología y Materiales Diseño de enzimas con propiedades catalíticas deseables asistido por métodos de Geometric Deep Learning e inteligencia artificial explicable *E-mail: nicolas.martinez.2@ug.uchile.cl ¹ Departamento de Ingeniería Química, Biotecnología y Materiales, Universidad de Chile ² Centre for Biotechnology and Bioengineering, CeBiB, Universidad de Chile ³ Departamento de Ingeniería En Computación, Universidad de Magallanes ⁴ Department of Bioorganic Chemistry, Leibniz Institute of Plant Biochemestry Nicolás Martínez ¹ , ²* Jorge Rojas ³ Nicole Soto-García ³ Julián García-Vinuesa ¹ , ² Juan A. Asenjo ¹ , ² Mehdi D. Davari ⁴ David Medina-Ortiz ² , ³ , ⁴ El diseño racional de proteínas con funcio- nesdeseables constituyeunode losmayo- res desafíos en la ingeniería de proteínas. Tradicionalmente, este proceso requiere ciclos iterativos de mutagénesis, selección experimental y modelado estructural, vol- viéndolo costoso, lento y dependiente del conocimiento previo. En este contexto, los métodos computacionales, especialmen- te el aprendizaje automático (ML), han emergido como herramientas promete- doras para acelerar el descubrimiento y optimización de biomoléculas funcionales. No obstante, muchas soluciones actuales operan bajo esquemas de caja negra, difi - cultando la interpretabilidad de los mode- los y limitando su adopción en contextos biomédicos e industriales. Además, la complejidad geométrica de las proteínas plantea limitaciones a los métodos tradicionales de ML, que ge- neralmente asumen representaciones vectoriales planas. Para abordar estos desafíos, proponemos un enfoque que integra Geometric Deep Learning (GDL) con mecanismos de inteligencia artificial explicable (XAI) para asistir el diseño de proteínas a partir de estructuras y pro- piedades funcionales. Metodológicamente, representaremos proteínas como grafos tridimensiona- les, con nodos correspondientes a re- siduos o átomos, y aristas que codifican interacciones espaciales o químicas. So- bre estas, entrenaremos modelos como GCN y GAT aprendiendo representacio - nes ricas e informativas de las estructu- ras. Para facilitar la interpretación de los resultados incorporaremos técnicas de XAI basadas en subgrafos explicativos y mecanismos de atención jerárquica, buscando detectar motivos estructurales claves asociados a funciones específicas. Dichos motivos serán analizados y trans- formados en reglas de diseño utilizables para orientar mutaciones in silico o gene- rar nuevas secuencias candidatas. Como caso de estudio, se trabajará un conjunto curado de enzimas de interés biotecnológico, evaluando propiedades como temperatura óptima de funciona- miento o actividad específica. A través de simulaciones, esperamos identificar regiones críticas de la estructura que contribuyen a funciones deseadas, y predecir el impacto funcional de muta- ciones locales. Los resultados permitirán la validación del marco propuesto para predecir propiedades, como para gene- rar nuevas variantes optimizadas me- diante diseño asistido. Resumen __Referencias [1] M.M. Bronstein, J. Bruna, T. Cohen y P. Velickocic, arXiv preprint. 2104.13478 (2021) [2] D. Medina-Ortiz, A. Khalifeh, H. Anvari-Kazemabad y M. Davari, bioRxiv. 580860 (2024)