В Университете Южной Флориды исследователи интегрируют методы машинного обучения в свои белки изучения работы. Как они сообщают в Журнале Химической Физики от AIP Publishing, одна из их главных проблем была отсутствием методов, чтобы определить причинно-следственные отношения в данных, полученных из молекулярных моделирований динамики.«Белки могут считаться nanoscopic машины, которые выполняют ряд задач.
Но тем, когда и где белки выполняют свои определенные задачи, управляют клетки через различные стимулы, такие как маленькие молекулы», сказал Сэмир Варма, адъюнкт-профессор биофизики в USF. «Эти стимулы взаимодействуют с белками, чтобы включить их и ‘прочь’ и могут даже изменить свои скорости и преимущества».В большинстве белков биологические стимулы взаимодействуют с местом на белке, который это относительно далеко от части, которая выполняет ее соответствующую задачу, требуя сигнального пути. «Эта манера дистанционного управления переключения в белки известна как ‘аллостерическая передача сигналов’. Много белков фармацевтического значения были теперь определены, где динамика или ‘покачивание и шевеление’ их учредительных атомов, как известно, жизненно важны для аллостерической передачи сигналов», сказал Варма. «Детали, однако, остаются отрывочными».Варма и коллеги полагают, что подходы машинного обучения могут иметь значение. «Развитие и использование методов машинного обучения позволят нам найти причинно-следственные отношения в данных о динамике белка и начать наконец обращаться к некоторым очень фундаментальным вопросам в белке allostery», сказал он. «Один из наших ключевых результатов был то, что сигнал, начатый на месте стимуляции белка, казалось, слабел, поскольку это переехало от места стимуляции.
Это стало неожиданностью, потому что никакая зависимость расстояния не наблюдалась для сцепления тепловых движений между местами белка».Работа группы демонстрирует, как подходы машинного обучения могут использоваться, чтобы определить причинно-следственные отношения в данных. Вне этого, «эти методы позволяют нам включать критические промежутки в белке allostery», сказал Варма. «В конечном счете, когда наши методы применены ко многим белкам фармацевтического интереса, мы ожидаем, что механистические детали покажут весьма необходимые новые интервенционные стратегии восстановления действий белка в больных государствах.
Общее биофизическое понимание, которое мы получаем, должно также помочь вдохновить новые биоподражательные решения для многих проблем наноинженерии, таких как дизайн нанодатчика для целенаправленной доставки лекарственных средств».Исследователи предполагают увлекательную новую работу, которая вырастет от их недавних результатов. «До сих пор мы сосредоточились на данных о равновесии, но у сигнального процесса есть критический неравновесный компонент, который мы еще не исследовали», сказал Варма.
Группа также планирует исследовать роль окружающих вод в передаче сигналов более подробно, а также применить их методы машинного обучения к широкому набору семейств белков, чтобы определить степень, до которой их новые биофизические результаты generalizable.