Gli algoritmi di apprendimento automatico eccellono nel trovare modelli complessi all'interno dei big data, quindi i ricercatori li usano spesso per fare previsioni. I ricercatori stanno spingendo questa tecnologia emergente oltre la ricerca di correlazioni per aiutare a scoprire relazioni causa-effetto nascoste e guidare scoperte scientifiche.

All'Università della Florida del Sud, i ricercatori stanno integrando tecniche di apprendimento automatico nel loro lavoro studiando le proteine. Come riportano in Il Giornale di Fisica Chimica , una delle loro principali sfide è stata la mancanza di metodi per identificare le relazioni causa-effetto nei dati ottenuti dalle simulazioni di dinamica molecolare.

"Le proteine ​​possono essere pensate come macchine nanoscopiche che svolgono una serie di compiti. Ma quando e dove le proteine ​​svolgono i loro compiti specifici è controllato dalle cellule attraverso vari stimoli, come piccole molecole, " ha detto Sameer Varma, professore associato di biofisica all'USF. "Questi stimoli interagiscono con le proteine ​​per accenderle e spegnerle, ' e possono persino modificare la loro velocità e forza."

Nella maggior parte delle proteine, gli stimoli biologici interagiscono con un sito della proteina che è relativamente lontano dalla parte che svolge il suo compito corrispondente, richiedono una via di segnalazione. "Questo modo telecomandato di commutazione delle proteine ​​è noto come "segnalazione allosterica". Sono state ora identificate molte proteine ​​di significato farmaceutico in cui è noto che la dinamica o il "jiggling and wiggling" dei loro atomi costituenti è vitale per la segnalazione allosterica, " disse Varma. "I dettagli, però, rimanere abbozzato."

Varma e colleghi ritengono che gli approcci di apprendimento automatico possano fare la differenza. "Lo sviluppo e l'utilizzo di tecniche di apprendimento automatico ci consentirà di trovare relazioni causa-effetto nei dati sulla dinamica delle proteine ​​e di iniziare finalmente ad affrontare alcune delle questioni fondamentali nell'allosteria delle proteine, " ha detto. "Uno dei nostri risultati chiave è stato che il segnale avviato nel sito di stimolazione della proteina sembrava indebolirsi mentre si allontanava dal sito di stimolazione. È stata una sorpresa, perché non è stata osservata alcuna dipendenza dalla distanza per l'accoppiamento dei movimenti termici tra i siti proteici".

Il lavoro del gruppo dimostra come gli approcci di apprendimento automatico possono essere utilizzati per identificare le relazioni causa-effetto all'interno dei dati. Oltre questo, "queste tecniche ci consentono di colmare le lacune critiche nell'allosteria proteica, " Disse Varma. "Alla fine, quando i nostri metodi vengono applicati alle numerose proteine ​​di interesse farmaceutico, ci aspettiamo che i dettagli meccanicistici rivelino nuove strategie di intervento tanto necessarie per ripristinare le attività proteiche negli stati malati. Le intuizioni biofisiche generali che otteniamo dovrebbero anche aiutare a ispirare nuove soluzioni biomimetiche per molti problemi di nanoingegneria, come la progettazione di nanosensori per la somministrazione mirata di farmaci".

I ricercatori prevedono un nuovo entusiasmante lavoro che nascerà dalle loro recenti scoperte. "Finora, ci siamo concentrati sui dati di equilibrio, ma il processo di segnalazione ha una componente critica di non equilibrio che non abbiamo ancora esplorato, " Ha detto Varma. Il gruppo prevede anche di esplorare il ruolo delle acque circostanti nella segnalazione in modo più dettagliato, oltre ad applicare le loro tecniche di apprendimento automatico a un'ampia gamma di famiglie di proteine ​​per determinare la misura in cui le loro nuove scoperte biofisiche sono generalizzabili.