Os algoritmos de aprendizado de máquina são excelentes para encontrar padrões complexos em Big Data, portanto, os pesquisadores costumam usá-los para fazer previsões. Os pesquisadores estão empurrando essa tecnologia emergente além de encontrar correlações para ajudar a descobrir relações ocultas de causa e efeito e conduzir descobertas científicas.

Na University of South Florida, pesquisadores estão integrando técnicas de aprendizado de máquina em seu trabalho de estudo de proteínas. Conforme eles relatam em The Journal of Chemical Physics , um de seus principais desafios tem sido a falta de métodos para identificar relações de causa e efeito em dados obtidos de simulações de dinâmica molecular.

"As proteínas podem ser pensadas como máquinas nanoscópicas que realizam um conjunto de tarefas. Mas quando e onde as proteínas realizam suas tarefas específicas é controlado pelas células por meio de vários estímulos, como pequenas moléculas, "disse Sameer Varma, professor associado de biofísica da USF. "Esses estímulos interagem com proteínas para ligá-los e desligá-los, 'e pode até mesmo modificar suas velocidades e potências. "

Na maioria das proteínas, os estímulos biológicos interagem com um local da proteína que está relativamente longe da parte que realiza sua tarefa correspondente, exigindo uma via de sinalização. “Essa forma de controle remoto de troca de proteínas é conhecida como 'sinalização alostérica'. Muitas proteínas de importância farmacêutica foram agora identificadas onde a dinâmica ou o 'balançar e balançar' de seus átomos constituintes são conhecidos por serem vitais para a sinalização alostérica, "Varma disse." Os detalhes, Contudo, permanecer incompleto. "

Varma e seus colegas acreditam que as abordagens de aprendizado de máquina podem fazer a diferença. "Desenvolver e usar técnicas de aprendizado de máquina nos permitirá encontrar relações de causa-efeito em dados de dinâmica de proteínas e começar a finalmente abordar algumas das questões fundamentais na alosteria de proteínas, "disse ele." Uma das nossas principais descobertas foi que o sinal iniciado no local de estimulação da proteína parecia enfraquecer à medida que se afastava do local de estimulação. Foi uma surpresa, porque nenhuma dependência de distância foi observada para o acoplamento de movimentos térmicos entre sítios de proteína. "

O trabalho do grupo demonstra como as abordagens de aprendizado de máquina podem ser usadas para identificar relações de causa-efeito nos dados. Além disso, "essas técnicas estão nos permitindo preencher lacunas críticas na alosteria de proteínas, "Varma disse." Em última análise, quando nossos métodos são aplicados a muitas proteínas de interesse farmacêutico, Esperamos que os detalhes mecanicistas revelem novas estratégias de intervenção muito necessárias para restaurar as atividades das proteínas em estados de doença. As percepções biofísicas gerais que obtemos também devem ajudar a inspirar novas soluções biomiméticas para muitos problemas de nanoengenharia, como design de nanosensor para entrega de drogas direcionadas. "

Os pesquisadores vislumbram um novo trabalho empolgante que crescerá a partir de suas descobertas recentes. "Até aqui, nos concentramos em dados de equilíbrio, mas o processo de sinalização tem um componente crítico de não equilíbrio que ainda não exploramos, "Disse Varma. O grupo também pretende explorar o papel das águas circundantes na sinalização em maior detalhe, além de aplicar suas técnicas de aprendizado de máquina a um amplo conjunto de famílias de proteínas para determinar até que ponto suas novas descobertas biofísicas são generalizáveis.