Twee computationele wetenschappers van de Freie Universität Berlin veranderen de manier waarop grote eiwitten in computers worden gemodelleerd door machine learning te combineren, een gebied van kunstmatige intelligentie, met statistische fysica. De bevindingen zijn gepubliceerd in Proceedings van de National Academy of Science .

"Hoewel biologische moleculen zoals eiwitten te klein zijn om met het blote oog te zien, ze bestaan ​​uit een groot aantal atomen, " zegt dr. Simon Olsson, Alexander von Humboldt fellow en hoofdauteur van het onderzoek. "Dit maakt het technisch uitdagend om ze te bestuderen in de mate die nodig is om te begrijpen hoe ze werken." Het verkrijgen van inzicht in hoe eiwitten werken is van cruciaal belang voor verschillende biomedische en biotechnologische toepassingen, waaronder het verbeteren van de wereldwijde voedselzekerheid, gewasbescherming en het bestrijden van de opkomst van multiresistente ziekteverwekkers.

In hun artikel, de auteurs beschrijven een procedure om de technische uitdagingen van het simuleren van grote eiwitten te overwinnen. Het belangrijkste inzicht is het besef dat eiwitten net sociale netwerken zijn. Dr. Frank Noé, een professor aan de Freie Universität Berlin, zegt, "Het is bekend dat eiwitten uit meerdere kleinere bouwstenen bestaan ​​- de juiste samenstelling hiervan leidt tot het ontstaan ​​van biologische functies zoals we die kennen."

traditioneel, eiwitten worden als een geheel beschouwd wanneer ze in een computer worden gesimuleerd, omdat dit is hoe ze worden waargenomen in het experiment. Echter, hun bouwstenen zijn kleine moleculaire schakelaars, die elk spontaan kunnen veranderen tussen meerdere toestanden. Het begrijpen van dit schakelgedrag is belangrijk om te begrijpen hoe functie ontstaat, en daarom, ook belangrijk voor toepassingen.

"Het probleem is eigenlijk dat we nooit alle mogelijke configuraties van deze schakelaars kunnen simuleren, " zegt Dr. Simon Olsson. "Het zijn er gewoon te veel, ze groeien exponentieel snel. Stel dat een schakelaar twee toestanden heeft, twee schakelaars kunnen in vier standen staan, drie schakelaars in acht. Zodra je 200 schakelaars hebt, het aantal instellingen is gelijk aan het aantal atomen in het bekende universum."

Het herformuleren van de simulaties om de lokale bouwstenen te gebruiken en te leren hoe ze gekoppeld zijn doorbreekt deze ongunstige schaling en maakt grote eiwitsimulaties mogelijk. Dit leren gebeurt met methoden van moderne kunstmatige intelligentie (AI). Simon Olsson legt uit, "Hoewel het ingewikkelder lijkt om veel bouwstenen te modelleren in plaats van slechts één configuratiestatus, het blijkt dat we ideeën uit AI kunnen gebruiken om computers een 'sociaal netwerk' van de bouwstenen te laten leren en dit te gebruiken om hun gedrag te begrijpen."

Het kennen van dit sociale netwerk van de eiwitbouwstenen blijkt meerdere voordelen te hebben. Dr. Frank Noé legt uit, "Om dit netwerk te bepalen, hoeven we niet alle mogelijke configuraties van het moleculaire systeem te zien, maar als we eenmaal het netwerk hebben, kunnen we ze karakteriseren!" Het sociale netwerk voor eiwitten destilleert de essentie over hoe eiwitten werken, en maakt daardoor aanzienlijke vooruitgang in het verminderen van de computationele voetafdruk die de eiwitfunctie bepaalt.