Dois cientistas computacionais da Freie Universität Berlin estão mudando a forma como grandes proteínas modeladas dentro de computadores combinando o aprendizado de máquina, uma área de inteligência artificial, com a física estatística. Os resultados foram publicados em Proceedings of the National Academy of Science .

"Embora as moléculas biológicas, como as proteínas, sejam muito pequenas para serem vistas a olho nu, eles consistem em um grande número de átomos, "diz o Dr. Simon Olsson, Alexander von Humboldt companheiro e autor principal do estudo. "Isso torna tecnicamente desafiador estudá-los na medida necessária para entender como funcionam." Obter insights sobre como as proteínas funcionam é fundamental para várias aplicações biomédicas e biotecnológicas, incluindo a melhoria da segurança alimentar global, proteção de culturas e combate ao aumento de patógenos multirresistentes.

Em seu artigo, os autores descrevem um procedimento para superar os desafios técnicos de simulação de proteínas grandes. O principal insight é perceber que as proteínas são como as redes sociais. Dr. Frank Noé, professor da Freie Universität Berlin, diz, "As proteínas são conhecidas por serem compostas de vários blocos de construção menores - a composição certa deles leva ao surgimento das funções biológicas como as conhecemos."

Tradicionalmente, proteínas são consideradas como um todo quando simuladas dentro de um computador, pois é assim que eles são observados no experimento. Contudo, seus blocos de construção são pequenos interruptores moleculares, cada um dos quais pode mudar espontaneamente entre vários estados. Compreender esse comportamento de comutação é importante para entender como a função surge, e portanto, também importante para aplicações.

"O problema é que nunca seremos capazes de simular todas as configurações possíveis desses interruptores, "Dr. Simon Olsson diz." Há muitos deles, eles crescem exponencialmente rápido. Digamos que um switch tenha dois estados, duas opções podem estar em quatro configurações, três interruptores em oito. Depois de ter 200 interruptores, o número de configurações é igual ao número de átomos no universo conhecido. "

Reformular as simulações para usar os blocos de construção locais e aprender como eles são acoplados quebra esse escalonamento desfavorável e torna possíveis grandes simulações de proteínas. Esse aprendizado é feito com métodos da moderna inteligência artificial (IA). Simon Olsson explica, "Embora pareça mais complicado modelar muitos blocos de construção, em vez de apenas um único estado de configuração, Acontece que podemos usar ideias da IA ​​para fazer os computadores aprenderem uma 'rede social' dos blocos de construção e usar isso para entender seu comportamento. "

Conhecer essa rede social de blocos de construção de proteínas acaba apresentando várias vantagens. Dr. Frank Noé explica, “Determinar esta rede não exige que vejamos todas as configurações possíveis do sistema molecular, ainda assim, uma vez que temos a rede, podemos caracterizá-los! "A rede social de proteínas destila o essencial sobre como as proteínas funcionam, e, assim, dá passos significativos para reduzir a pegada computacional que determina a função da proteína.