Los algoritmos de aprendizaje automático son excelentes para encontrar patrones complejos dentro de grandes datos, por lo que los investigadores a menudo los usan para hacer predicciones. Los investigadores están impulsando esta tecnología emergente más allá de encontrar correlaciones para ayudar a descubrir relaciones ocultas de causa-efecto e impulsar descubrimientos científicos.
En la Universidad del Sur de Florida, los investigadores están integrando técnicas de aprendizaje automático en su trabajo de estudio de proteínas. Según informan El diario de la física química , de AIP Publishing, uno de sus principales desafíos ha sido la falta de métodos para identificar las relaciones causa-efecto en los datos obtenidos de las simulaciones de dinámica molecular.
"Las proteínas pueden considerarse máquinas nanoscópicas que realizan un conjunto de tareas. Pero cuándo y dónde las proteínas llevan a cabo sus tareas específicas es controlado por las células a través de varios estímulos, como moléculas pequeñas", dijo Sameer Varma, profesor asociado debiofísica en la USF. "Estos estímulos interactúan con las proteínas para activarlas y desactivarlas, e incluso pueden modificar sus velocidades y fuerzas".
En la mayoría de las proteínas, los estímulos biológicos interactúan con un sitio en la proteína que está relativamente lejos de la parte que lleva a cabo su tarea correspondiente, lo que requiere una vía de señalización ". Esta forma de control remoto de conmutación de proteínas se conoce como 'alostéricoseñalización. "Muchas proteínas de importancia farmacéutica se han identificado ahora donde se sabe que la dinámica o la" agitación y agitación "de sus átomos constituyentes son vitales para la señalización alostérica", dijo Varma. "Sin embargo, los detalles siguen siendo incompletos".
Varma y sus colegas creen que los enfoques de aprendizaje automático pueden marcar la diferencia. "El desarrollo y el uso de técnicas de aprendizaje automático nos permitirán encontrar relaciones de causa-efecto en los datos de dinámica de proteínas y finalmente comenzar a abordar algunas de las preguntas fundamentales en la alosteria de proteínas"."Uno de nuestros hallazgos clave fue que la señal iniciada en el sitio de estimulación de la proteína parecía debilitarse a medida que se alejaba del sitio de estimulación. Fue una sorpresa, porque no se observó dependencia de la distancia para el acoplamiento de la energía térmica".movimientos entre sitios de proteínas "
El trabajo del grupo demuestra cómo se pueden utilizar los enfoques de aprendizaje automático para identificar las relaciones causa-efecto dentro de los datos. Más allá de esto, "estas técnicas nos permiten tapar vacíos críticos en la alosteria de proteínas", dijo Varma. "En última instancia, cuando nuestros métodos sonaplicado a las muchas proteínas de interés farmacéutico, esperamos que los detalles mecanicistas revelen nuevas estrategias de intervención muy necesarias para restaurar las actividades proteicas en los estados enfermos. Los conocimientos biofísicos generales que obtengamos también deberían ayudar a inspirar soluciones biomiméticas novedosas para muchos problemas de nanoingeniería, comocomo diseño de nanosensores para la entrega dirigida de medicamentos "
Los investigadores prevén un nuevo trabajo emocionante que crecerá a partir de sus hallazgos recientes. "Hasta ahora, nos hemos centrado en los datos de equilibrio, pero el proceso de señalización tiene un componente crítico de no equilibrio que aún no hemos explorado", dijo Varma.El grupo también planea explorar el papel de las aguas circundantes en la señalización en mayor detalle, así como aplicar sus técnicas de aprendizaje automático a un amplio conjunto de familias de proteínas para determinar en qué medida sus nuevos hallazgos biofísicos son generalizables.
Fuente de la historia :
Materiales proporcionados por Instituto Americano de Física . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :