Tutkija Käyttää Luonnollisen Kielen Prosessointialgoritmeja Proteiinien Muodonmuutoksen Ymmärtämiseen

Marylandin yliopiston tutkijat sovelsivat äskettäin luonnollisen kielen prosessointitekniikoita ja koneoppimisalgoritmeja saadakseen tietoa siitä, miten proteiinimolekyylit muuttavat muotoa toiseen muotoon. Viimeaikainen tutkimus, joka julkaistiin Nature Communications -lehdessä, on ensimmäinen kerta, kun tekoälyalgoritmi on käytetty biomolekulaaristen järjestelmien dynamiikan tutkimiseen proteiinien muodonmuutoksen suhteen.

Proteiinimolekyylit voivat olla eri muodoissa, mutta mekanismit, jotka aiheuttavat proteiinin muodonmuutoksen, ovat edelleen osittain arvoituksellisia. Proteiinimolekyylin toiminta määräytyy sen muodon mukaan, ja sen muodon/muotoilun vaikuttavien mekanismien ymmärtäminen voisi mahdollistaa tarkoituksenmukaisen lääkehoitojen suunnittelun ja sairauksien syiden määrityksen.

Biologiset molekyylit eivät ole paikallaan, vaan ne liikkuvat jatkuvasti ympäristön tapahtumien mukaan. Ympäristön paineet voivat aiheuttaa molekyylien muodonmuutoksen, usein hyvin nopeasti. Molekyyli voi yhtäkkiä muuttaa muotoa täysin toiseksi, prosessi, joka muistuttaa jousta, joka purkautuu. Molekyylin eri osat avautuvat ja taittuvat, ja tutkijat tutkivat eri molekyylimuotojen välisiä välimuotoja.

Phys.org:n mukaan Pratyush Tiwary oli tutkimuksen vastaava tekijä ja hän on apulaisprofessori Marylandin yliopiston kemian ja biokemian laitoksessa ja Institute for Physical Science and Technologyissa. Tiwaryn mukaan luonnollisen kielen prosessointia voidaan käyttää molekyylien muodonmuutoksen mallintamiseen ja sopeutumiseen. Tiwary toteaa, että molekyylit puhuvat tietyn “kielen”, ja molekyylien liikkeet voidaan kääntää abstraktiksi kieleksi. Kun tämä molekyylien liikkeiden kääntäminen kieliin tehdään, voidaan luonnollisen kielen prosessointitekniikoita ja tekoälyalgoritmeja käyttää “luomaan biologisesti totta olevia tarinoita tuloksena olevista abstrakteista sanoista”.

Kun molekyyli siirtyy yhdestä muodosta toiseen, muodonmuutos tapahtuu erittäin nopeasti. Muodonmuutos voi kestää vain triljoonasosan sekuntia. Muodonmuutoksen nopeus tekee siitä vaikean tutkia, mitkä parametri t vaikuttavat molekyylien avautumisprosessiin menetelmin kuten spektroskopia tai jopa voimakkaat mikroskoopit. Jotta voidaan määrityä, mitkä parametri t vaikuttavat proteiinien avautumiseen, Tiwary ja tutkimusryhmä loivat fysiikan malleja, jotka simuloivat proteiineja. Monimutkaisia tilastollisia malleja käytettiin luomaan proteiinisimulaatioita, jotka jäljittelevät molekyylien muotoa, reittiä ja liikettä. Malleja annettiin tekoälyalgoritmille, joka perustui luonnollisen kielen prosessointimenetelmiin.

Luonnollisen kielen prosessointimallit, joita käytettiin tekoälyjärjestelmän koulutukseen, olivat hyvin samanlaisia kuin algoritmit, joita Gmailin ennustavat tekstijärjestelmät käyttävät. Simuloitujen proteiinien käsittely tapahtui kielenä, jossa molekyylien liikkeet käännettiin “kirjaimiksi”. Kirjaimet yhdistettiin sanoiksi ja lauseiksi. Tekoälyalgoritmi pystyi oppimaan proteiinirakenteiden kieliopin ja syntaksin, määrityksen, mitkä muodot/liikkeet seurasivat toisiaan. Algoritmi pystyi sitten ennustamaan, miten tiettyjen proteiinien avautuminen tapahtuisi ja mitkä muodot ne ottavat.

Tutkijat käyttivät pitkän ja lyhyen aikavälin muistin (LSTM) verkkoa analysoimaan proteiinipohjaisia lauseita. Tutkimusryhmä seurasi myös matemaattisia kaavoja, joita verkko perustui, seuraten parametreja, kun verkko oppi molekyylien muodonmuutoksen dynamiikkaa. Tutkimuksen tuloksien mukaan verkko käytti logiikkaa, joka muistutti statistaalisen fysiikan käsitettä, reitin entropiaa. Jos tämä löytö pitää paikkansa, se voi johtaa LSTM-verkkojen parantamiseen. Tiwary selitti, että löytö paljastaa osan LSTM:n “mustan laatikon” luonteesta, jolloin tutkijat voivat ymmärtää paremmin, mitkä parametri t voidaan säätää optimaalisen suorituskyvyn saavuttamiseksi.

Tutkijat analysoivat riboswitch-nimistä biomolekyyliä testitapauksena algoritmilleen. Riboswitchia oli jo analysoitu spektroskopian avulla, ja kun riboswitchia analysoitiin tekoälyjärjestelmällä, ennustetut riboswitch-muodot vastasivat spektroskopian havaitsemia muotoja.

Tiwary toivoo, että heidän löytönsä mahdollistavat tutkijoiden kehittää tarkoituksenmukaisia lääkkeitä, joilla on vähemmän sivuvaikutuksia. Tiwary selitti Phys.org:n kautta:

“Haluamme voimakkaita lääkkeitä, jotka sitoutuvat voimakkaasti, mutta ainoastaan siihen, mihin haluamme niiden sitoutuvan. Voimme saavuttaa sen, jos voimme ymmärtää eri muodot, joissa annettu biomolekyyli voi olla, koska voimme luoda lääkkeitä, jotka sitoutuvat ainoastaan yhteen näistä tiettyjen muodoista oikeaan aikaan ja vain niin kauan kuin haluamme.”