Soy bioquímico y desarrollé una herramienta open source con Python y ML para estudiar proteínas antárticas. Ciencia/tecnología
Buenas! Soy bioquímico y desde hace un tiempo me he estado metiendo cada vez más en el mundo de la programación y la ciencia de datos, especialmente en machine learning aplicado a problemas biológicos.
Quería compartirles un proyecto personal en el que llevo un buen tiempo trabajando, llamado PsychroScan.
La idea nació de una pregunta: ¿podemos usar machine learning para ayudarnos a encontrar proteínas de organismos adaptados al frío que podrían tener aplicaciones biotecnológicas?
Por ejemplo, en la Antártica existen microorganismos adaptados a temperaturas muy bajas, y algunas de sus enzimas podrían ser útiles en procesos industriales. El problema es que estudiar miles de proteínas experimentalmente requiere muchísimo tiempo y recursos.
Se usan modelos de ML para priorizar cuáles podrían ser interesantes de estudiar posteriormente en el laboratorio.
Actualmente el proyecto incluye:
Un dataset de 3.138 proteínas provenientes de 83 especies.
Extracción de hasta 434 descriptores de secuencia.
Modelos basados en LightGBM, Random Forest y ExtraTrees.
Validación dejando especies completas fuera del entrenamiento (LOSO), con un ROC-AUC global de 0.7927 (imagen adjunta).
Análisis de proteínas de microorganismos antárticos para priorizar posibles candidatos de interés biotecnológico.
Una de las partes que más trabajo me dio fue revisar problemas de data leakage. En bioinformática es bastante fácil obtener resultados demasiado optimistas cuando existen relaciones entre los organismos presentes en entrenamiento y evaluación, así que terminé dedicando bastante tiempo a auditar el pipeline y mejorar su reproducibilidad.
También quiero ser transparente con algo: mi formación es en bioquímica, no en ingeniería informática, por lo que me apoyé en herramientas de IA para implementar partes del código que se me dificultaban. Ha sido una buena oportunidad para seguir aprendiendo programación, revisar errores y entender mejor cómo funcionan estos modelos.
Por supuesto, PsychroScan no demuestra que una proteína tenga actividad enzimática a bajas temperaturas. Es una herramienta de priorización computacional, y los candidatos todavía necesitan validación experimental.
Actualmente estoy explorando cómo aplicar este trabajo a investigación antártica, particularmente en hongos, y me gustaría seguir desarrollándolo.
Les comparto el repositorio por si quieren echarle un vistazo:
GitHub: https://github.com/CANOLIO/antarctic-fungi-ml
Me gustaría conocer sus opiniones, especialmente de quienes tengan experiencia con Python, ML o desarrollo de herramientas científicas. ¿Qué mejorarían del código, la arquitectura o la reproducibilidad?
Y si hay más gente por acá que esté mezclando programación con biología, química u otras ciencias, sería bacán conocer sus proyectos también! :D