MARC

 008260126s2025        us                              c    eng  d
■001000017359296
■00520260202105057
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288818141
■035    ▼a(MiAaPQ)AAI32205949
■035    ▼a(MiAaPQ)Caltech17326
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a579.2
■1001  ▼aLourenco,  Alexandre  Luiz.▼0(orcid)0009-0005-0758-2968
■24510▼aBuilding  Closed-Loop  Frameworks  for  AI-Guided  Protein  Design
■260    ▼a[Sl]▼bCalifornia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a104  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Thomson,  Matthew.
■5021  ▼aThesis  (Ph.D.)--California  Institute  of  Technology,  2025.
■520    ▼aThe  design  of  proteins  with  tailored  properties  remains  a  central  challenge  in  protein  engineering,  with  profound  implications  for  therapeutics,  sustainable  manufacturing,  and  environmental  remediation.  Recent  advances  in  artificial  intelligence  have  dramatically  improved  our  ability  to  design  novel  proteins,  yet  the  precision  required  for  many  applications  remains  elusive.  This  thesis  details  the  development  and  implementation  of  closed-loop  frameworks  that  integrate  AI-guided  protein  design  with  quantitative  experimental  data  to  iteratively  improve  design  outcomes.First,  I  present  Protein  CREATE  (Computational  Redesign  via  an  Experiment-Augmented  Training  Engine),  a  high-throughput  platform  that  combines  phage  display  with  molecular  counting  techniques  to  generate  quantitative  binding  data  at  scale.  This  platform  enables  rapid  evaluation  of  thousands  (and  is  in  the  process  of  being  scaled  to  millions)  of  designed  protein  variants  against  multiple  targets  simultaneously.In  subsequent  chapters,  I  explore  two  separate  strands  of  protein  design  as  they  reach  for  each  other  to  close  the  loop.  One  thread  focuses  on  collecting  data  on  binders  I  engineered  to  the  interleukin  7  receptor  alpha  (IL7RA)  and  Insulin  receptor  while  the  other  investigates  the  value  data,  even  when  limited,  adds  to  improve  the  design  process  of  enzymes  to  solve  a  pressing  environmental  remediation  problem:  cleaning  up  per  and  polyfluoroalkyl  substances  (PFAS).While  all  of  the  targets  discussed  so  far  have  benefited  from  developments  in  artificial  intelligence,  I  explore  one  target  where  the  benefits  are  limited,  the  human  sweet  taste  receptor.  Here,  I  leverage  alternative  computational  methods  coupled  to  experimental  testing  to  chart  a  course  for  design.Finally,  I  discuss  the  technologies  we  are  integrating  within  the  Protein  CREATE  framework  to  enable  rapid  in  vitro  and  in  vivo  testing.Throughout  my  PhD,  I  have  been  bringing  the  two  threads  of  computational  design  and  experimental  characterization  closer  together  for  not  only  theoretically  interesting,  but  also  practically  relevant,  engineering  cases.  The  methodologies  developed  here  represent  a  significant  advancement  in  our  ability  to  design  proteins  with  precisely  tailored  properties  for  diverse  applications.
■590    ▼aSchool  code:  0037.
■650  4▼aPhages
■650  4▼aBioengineering
■690    ▼a0800
■690    ▼a0202
■71020▼aCalifornia  Institute  of  Technology▼bBiology  and  Biological  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0037
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359296▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books