Dos científicos computacionales de la Freie Universität Berlin están cambiando la forma en que las proteínas grandes se modelan dentro de las computadoras al combinar el aprendizaje automático, un área de inteligencia artificial, con física estadística. Los hallazgos fueron publicados en Actas de la Academia Nacional de Ciencias .

"Aunque las moléculas biológicas como las proteínas son demasiado pequeñas para verlas a simple vista, constan de una gran cantidad de átomos, "dice el Dr. Simon Olsson, Alexander von Humboldt, becario y autor principal del estudio. "Esto hace que sea técnicamente un desafío estudiarlos en la medida necesaria para comprender cómo funcionan". Obtener conocimientos sobre cómo funcionan las proteínas es fundamental para varias aplicaciones biomédicas y biotecnológicas, incluida la mejora de la seguridad alimentaria mundial, protección de cultivos y lucha contra el aumento de patógenos multirresistentes.

En su artículo, los autores describen un procedimiento para superar los desafíos técnicos de la simulación de proteínas grandes. La idea clave es darse cuenta de que las proteínas son como redes sociales. Dr. Frank Noé, profesor de la Freie Universität Berlin, dice, "Se sabe que las proteínas se componen de múltiples bloques de construcción más pequeños; la composición correcta de estos conduce al surgimiento de funciones biológicas tal como las conocemos".

Tradicionalmente, las proteínas se consideran como un todo cuando se simulan dentro de una computadora, ya que así es como se observan en el experimento. Sin embargo, sus bloques de construcción son pequeños interruptores moleculares, cada uno de los cuales puede cambiar espontáneamente entre múltiples estados. Comprender este comportamiento de cambio es importante para comprender cómo surge la función, y por lo tanto, también es importante para las aplicaciones.

"El problema es que nunca podremos simular todas las configuraciones posibles de estos conmutadores, "Dice el Dr. Simon Olsson." Hay demasiados, crecen exponencialmente rápido. Digamos que un interruptor tiene dos estados, dos interruptores pueden estar en cuatro configuraciones, tres interruptores en ocho. Una vez que tenga 200 interruptores, el número de ajustes es igual al número de átomos en el universo conocido ".

Reformular las simulaciones para usar los bloques de construcción locales y aprender cómo se acoplan rompe esta escala desfavorable y hace posibles grandes simulaciones de proteínas. Este aprendizaje se realiza con métodos de inteligencia artificial (IA) moderna. Simon Olsson explica:"Aunque parece más complicado modelar muchos componentes básicos en lugar de un solo estado de configuración, resulta que podemos usar ideas de la inteligencia artificial para hacer que las computadoras aprendan una 'red social' de los componentes básicos y la usen para comprender su comportamiento ".

Conocer esta red social de los componentes básicos de las proteínas tiene varias ventajas. El Dr. Frank Noé explica:"Determinar esta red no requiere que veamos todas las configuraciones posibles del sistema molecular, sin embargo, una vez que tenemos la red, ¡podemos caracterizarlos! "La red social de proteínas destila lo esencial sobre cómo funcionan las proteínas, y por lo tanto hace avances significativos hacia la reducción de la huella computacional que determina la función de la proteína.