Os modelos computacionais percorreram um longo caminho em sua capacidade de simular os processos biológicos mais básicos, por exemplo, como as proteínas se dobram. Uma nova técnica criada por pesquisadores da Rice University deve permitir aos cientistas modelar moléculas maiores com maior precisão do que nunca.

O laboratório Rice da química computacional Cecilia Clementi desenvolveu uma estrutura de modelagem molecular que pode reproduzir com mais precisão os resultados experimentais com modelos simples de granulação grossa usados ​​para simular a dinâmica de proteínas.

O quadro, Projeto orientado para observação de modelos moleculares eficazes (ODEM), incorpora dados experimentais disponíveis na definição de um modelo de simulação de granulação grossa. Para um determinado modelo de granulação grossa, repetir a simulação com mudanças incrementais nos parâmetros do modelo melhora a capacidade de previsão do algoritmo, por exemplo, como uma proteína encontrará sua forma funcional.

O trabalho liderado pelo estudante de graduação de Clementi e Rice e autor principal Justin Chen aparece no American Chemical Society's Jornal de Teoria Química e Computação .

"Compreendendo as proteínas, especialmente sua dinâmica, é essencial para entender a vida, "Clementi disse." Existem duas formas complementares de fazer isso:por meio de simulação ou experimentação. Em um experimento, você mede algo que é real, mas você está muito limitado nas quantidades que pode medir diretamente. É como montar um quebra-cabeça com apenas algumas peças. "

Ela disse que as simulações permitem que os pesquisadores vejam todos os aspectos da dinâmica das proteínas, mas os modelos que incorporam as propriedades de cada átomo podem levar meses ou anos para os supercomputadores computarem, mesmo que as próprias proteínas se dobrem em segundos in vivo. Para resultados mais rápidos, os cientistas costumam usar modelos de granulação grossa, simulações simplificadas em que alguns "grânulos" eficazes representam grupos de átomos em uma proteína.

"Em modelos muito simples, você deve fazer aproximações fortes, e como conseqüência, os resultados podem ser diferentes da realidade, "Clementi disse." Combinamos essas duas abordagens e usamos o poder da simulação de uma forma que reproduz os experimentos. Dessa maneira, obtemos o melhor dos dois mundos. "

A aquisição de dados iniciais não é um problema, Chen disse. "Já existem muitos dados experimentais sobre proteínas, então não é difícil de encontrar, "ele disse." É apenas uma questão de encontrar uma maneira de modelar esses dados em uma simulação. "

Clementi disse que os dados podem vir de qualquer uma ou de uma combinação de fontes como a transferência de energia de ressonância Förster (FRET), mutagênese ou ressonância magnética nuclear. A estrutura computacional aproveita os modelos de Markov para combinar várias simulações de proteínas curtas para obter a distribuição de equilíbrio das configurações de proteínas que são usadas no ODEM. "Os modelos de Markov nos permitem combinar e explorar diferentes partes do espaço configuracional de uma proteína, "ela disse." É uma maneira inteligente de dividir e conquistar. "

A chave, de acordo com os pesquisadores, é incluir apenas os detalhes físicos necessários para modelar o processo com precisão.

"Existem modelos que são muito precisos, mas eles são computacionalmente caros, "Clementi disse." Há muita informação nesses modelos, então você não sabe quais são os ingredientes físicos mais importantes.

"Em nossos modelos simplificados, incluímos apenas os fatores físicos que consideramos importantes, "disse ela." Se, usando ODEM, as simulações melhorarem a concordância com os experimentos, significa que a hipótese estava correta. Se eles não o fizerem, então sabemos que faltam ingredientes. "

Os pesquisadores descobriram que sua técnica pode revelar propriedades moleculares inesperadas. No processo de teste de seu algoritmo, os pesquisadores descobriram um novo detalhe sobre o mecanismo de dobramento do FiP35, uma proteína de domínio WW comum que é um pedaço de proteínas estruturais e de sinalização maiores. FiP35, com apenas 35 aminoácidos, é bem compreendido e freqüentemente usado em estudos de dobradura.

O modelo ODEM do FiP35, com base em dados experimentais de resultados simulados de FRET, revelou várias regiões onde a frustração localizada forçou mudanças no processo de dobragem. Sua análise mostrou que as interações são importantes para o processo e provavelmente conservadas evolutivamente, mas eles disseram que os dados que levam a essa conclusão nunca teriam aparecido se os dados do FRET simulados não fossem usados ​​no modelo de granulação grossa.

"Agora estamos expandindo para sistemas maiores, como proteínas de 400 resíduos, cerca de 10 vezes maior do que nossa proteína de teste, "Chen disse." Você não pode fazer simulações de átomos completos desses grandes movimentos e escalas de tempo longas, mas se você fizer 10 ou 11 iterações de um modelo de granulação grossa com ODEM, eles levam apenas algumas horas. É uma grande redução do tempo que uma pessoa levaria para ver resultados razoáveis. "