Due scienziati computazionali della Freie Universität Berlin stanno cambiando il modo in cui le grandi proteine ​​vengono modellate all'interno dei computer combinando l'apprendimento automatico, un'area di intelligenza artificiale, con la fisica statistica. I risultati sono stati pubblicati in Atti dell'Accademia Nazionale delle Scienze .

"Sebbene le molecole biologiche come le proteine ​​siano troppo piccole per essere viste ad occhio nudo, sono costituiti da un gran numero di atomi, " dice il dottor Simon Olsson, Alexander von Humboldt collega e autore principale dello studio. "Questo rende tecnicamente difficile studiarli nella misura necessaria per capire come funzionano". Ottenere informazioni su come funzionano le proteine ​​è fondamentale per diverse applicazioni biomediche e biotecnologiche, compreso il miglioramento della sicurezza alimentare globale, la protezione delle colture e la lotta all'aumento dei patogeni multiresistenti.

Nel loro articolo, gli autori descrivono una procedura per superare le sfide tecniche della simulazione di grandi proteine. L'intuizione chiave è realizzare che le proteine ​​sono come i social network. Dott. Frank Noé, professore alla Freie Universität di Berlino, dice, "È noto che le proteine ​​sono composte da più elementi costitutivi più piccoli:la giusta composizione di questi porta all'emergere di funzioni biologiche come le conosciamo".

Tradizionalmente, le proteine ​​sono considerate nel loro insieme quando vengono simulate all'interno di un computer, poiché questo è il modo in cui vengono osservati nell'esperimento. Però, i loro elementi costitutivi sono piccoli interruttori molecolari, ognuno dei quali può cambiare spontaneamente tra più stati. Comprendere questo comportamento di commutazione è importante per capire come emerge la funzione, e quindi, importante anche per le applicazioni.

"Il problema è davvero che non saremo mai in grado di simulare tutte le possibili configurazioni di questi switch, "Dice il dottor Simon Olsson. "Ce ne sono troppi, crescono esponenzialmente velocemente. Diciamo che un interruttore ha due stati, due interruttori possono essere in quattro impostazioni, tre interruttori in otto. Una volta che hai 200 interruttori, il numero di impostazioni è uguale al numero di atomi nell'universo conosciuto."

La riformulazione delle simulazioni per utilizzare gli elementi costitutivi locali e per apprendere come sono accoppiati interrompe questo ridimensionamento sfavorevole e rende possibili grandi simulazioni di proteine. Questo apprendimento avviene con i metodi della moderna intelligenza artificiale (AI). Simon Olsson spiega, "Sebbene sembri più complicato modellare molti elementi costitutivi piuttosto che un singolo stato di configurazione, si scopre che possiamo usare le idee dell'intelligenza artificiale per fare in modo che i computer apprendano un "social network" degli elementi costitutivi e lo usino per comprendere il loro comportamento".

Conoscere questo social network dei mattoni proteici risulta avere diversi vantaggi. Il dottor Frank Noé spiega, "La determinazione di questa rete non richiede di vedere tutte le possibili configurazioni del sistema molecolare, ma una volta che abbiamo la rete possiamo caratterizzarli!" Il social network proteico distilla gli elementi essenziali su come funzionano le proteine, e quindi compie progressi significativi verso l'abbattimento dell'impronta computazionale che determina la funzione proteica.