Machine learning-algoritmen blinken uit in het vinden van complexe patronen binnen big data, dus gebruiken onderzoekers ze vaak om voorspellingen te doen. Onderzoekers duwen deze opkomende technologie verder dan het vinden van correlaties om verborgen oorzaak-gevolg relaties te ontdekken en wetenschappelijke ontdekkingen te stimuleren.

Aan de Universiteit van Zuid-Florida, onderzoekers integreren machine learning-technieken in hun werk bij het bestuderen van eiwitten. Zoals ze rapporteren in The Journal of Chemical Physics , een van hun grootste uitdagingen was een gebrek aan methoden om oorzaak-gevolgrelaties te identificeren in gegevens die zijn verkregen uit moleculaire dynamica-simulaties.

"Eiwitten kunnen worden gezien als nanoscopische machines die een reeks taken uitvoeren. Maar wanneer en waar eiwitten hun specifieke taken uitvoeren, wordt door cellen gecontroleerd door middel van verschillende stimuli, zoals kleine moleculen, " zei Sameer Varma, een universitair hoofddocent biofysica bij USF. "Deze stimuli interageren met eiwitten om ze 'aan' en 'uit' te zetten, ' en kunnen zelfs hun snelheden en sterke punten aanpassen."

In de meeste eiwitten de biologische stimuli interageren met een plaats op het eiwit die relatief ver verwijderd is van het deel dat zijn overeenkomstige taak uitvoert, signaalroute nodig. "Deze op afstand bestuurbare manier om eiwitten in te schakelen, staat bekend als 'allosterische signalering'. Er zijn nu veel eiwitten van farmaceutische betekenis geïdentificeerd waarvan bekend is dat de dynamiek of het 'wiebelen en wiebelen' van hun samenstellende atomen van vitaal belang zijn voor allosterische signalering, ' zei Varma. 'De details, echter, vaag blijven."

Varma en collega's zijn van mening dat benaderingen voor machinaal leren een verschil kunnen maken. "Door technieken voor machinaal leren te ontwikkelen en te gebruiken, kunnen we oorzaak-gevolgrelaties vinden in gegevens over eiwitdynamica en kunnen we eindelijk beginnen met het aanpakken van enkele van de zeer fundamentele vragen in eiwitallosterie, " zei hij. "Een van onze belangrijkste bevindingen was dat het signaal dat op de stimulatieplaats van het eiwit werd geïnitieerd, leek te verzwakken naarmate het zich van de stimulatieplaats verwijderde. Het kwam als een verrassing, omdat er geen afstandsafhankelijkheid werd waargenomen voor de koppeling van thermische bewegingen tussen eiwitplaatsen."

Het werk van de groep laat zien hoe machine learning-benaderingen kunnen worden gebruikt om oorzaak-gevolgrelaties binnen gegevens te identificeren. Achter dit, "Deze technieken stellen ons in staat om kritieke gaten in eiwit allosterie te dichten, ' zei Varma. 'Uiteindelijk, wanneer onze methoden worden toegepast op de vele eiwitten van farmaceutisch belang, we verwachten dat de mechanistische details de broodnodige nieuwe interventiestrategieën zullen onthullen voor het herstellen van eiwitactiviteiten in zieke toestanden. De algemene biofysische inzichten die we verwerven, zouden ook moeten helpen om nieuwe biomimetische oplossingen te inspireren voor veel nano-engineeringproblemen, zoals nanosensorontwerp voor gerichte medicijnafgifte."

De onderzoekers zien opwindend nieuw werk voor zich dat zal groeien uit hun recente bevindingen. "Tot dusver, we hebben ons gericht op evenwichtsgegevens, maar het signaleringsproces heeft een kritieke niet-evenwichtscomponent die we nog niet hebben onderzocht, "Zei Varma. De groep is ook van plan om de rol van de omringende wateren bij het signaleren in meer detail te onderzoeken, evenals hun machine learning-technieken toepassen op een brede reeks eiwitfamilies om te bepalen in hoeverre hun nieuwe biofysische bevindingen generaliseerbaar zijn.