В Университете Южной Флориды исследователи интегрируют методы машинного обучения в свою работу по изучению белков. Как они сообщают в «Журнале химической физики» от AIP Publishing, одной из основных проблем было отсутствие методов определения причинно-следственных связей в данных, полученных в результате моделирования молекулярной динамики.
«Белки можно рассматривать как наноскопические машины, которые выполняют набор задач. Но когда и где белки выполняют свои конкретные задачи, клетки контролируют с помощью различных стимулов, таких как небольшие молекулы», — сказал Самир Варма, доцент кафедры биофизики.
USF. «Эти стимулы взаимодействуют с белками, чтобы включать и выключать их, и даже могут изменять их скорость и силу».В большинстве белков биологические стимулы взаимодействуют с участком белка, который относительно далеко от той части, которая выполняет соответствующую задачу, требуя сигнального пути. «Этот способ дистанционного управления переключением белков известен как« аллостерическая передача сигналов ». В настоящее время идентифицированы многие белки, имеющие фармацевтическое значение, в которых динамика или «покачивание и покачивание» составляющих их атомов, как известно, жизненно важна для аллостерической передачи сигналов », — сказал Варма. «Детали, однако, остаются отрывочными».Варма и его коллеги считают, что подходы машинного обучения могут иметь значение. «Разработка и использование методов машинного обучения позволит нам найти причинно-следственные связи в данных динамики белков и наконец начать решать некоторые из очень фундаментальных вопросов аллостерии белков», — сказал он. «Одним из наших ключевых результатов было то, что сигнал, инициированный в сайте стимуляции белка, по-видимому, ослабевал по мере того, как он удалялся от сайта стимуляции.
Это стало неожиданностью, потому что не наблюдалось зависимости от расстояния для связи тепловых движений между белками. места."Работа группы демонстрирует, как подходы машинного обучения могут использоваться для выявления причинно-следственных связей в данных. Помимо этого, «эти методы позволяют нам заполнить критические пробелы в аллостерии белков», — сказал Варма. «В конечном счете, когда наши методы применяются ко многим белкам, представляющим фармацевтический интерес, мы ожидаем, что механистические детали позволят выявить столь необходимые новые стратегии вмешательства для восстановления активности белков в болезненных состояниях.
Общие биофизические идеи, которые мы получаем, также должны помочь вдохновить на создание новых биомиметиков. решения многих проблем наноинженерии, таких как разработка наносенсоров для адресной доставки лекарств ».Исследователи предвидят новую захватывающую работу, которая будет развиваться на основе их недавних открытий. «Пока что мы сосредоточились на данных о равновесии, но в сигнальном процессе есть критический компонент неравновесия, который мы еще не исследовали», — сказал Варма.
Группа также планирует более подробно изучить роль окружающих вод в передаче сигналов, а также применить свои методы машинного обучения к широкому набору семейств белков, чтобы определить степень обобщения их новых биофизических результатов.