Peneliti Menggunakan Algoritma Pemrosesan Bahasa Alami untuk Memahami Transformasi Protein

Peneliti dari Universitas Maryland baru-baru ini menerapkan teknik pemrosesan bahasa alami dan algoritma pembelajaran mesin untuk memperoleh wawasan tentang bagaimana molekul protein berubah dari satu bentuk ke bentuk lain. Makalah terbaru, yang diterbitkan di jurnal Nature Communications, adalah pertama kalinya algoritma AI digunakan untuk mempelajari dinamika sistem biomolekuler terkait dengan transformasi protein.

Molekul protein dapat mengambil berbagai bentuk, tetapi mekanisme yang memicu protein berubah dari satu bentuk ke bentuk lain masih cukup misterius. Fungsi molekul protein ditentukan oleh bentuknya, dan memperoleh pemahaman yang lebih baik tentang mekanisme yang mempengaruhi bentuk/struktur protein dapat memungkinkan ilmuwan untuk merancang terapi obat yang ditargetkan dan menentukan penyebab penyakit.

Molekul biologis tidak diam, mereka terus bergerak sebagai respons terhadap peristiwa di lingkungan mereka. Tekanan lingkungan dapat membuat molekul berubah menjadi bentuk yang berbeda, seringkali dengan sangat cepat. Sebuah molekul dapat tiba-tiba melipat menjadi struktur yang sangat berbeda, dalam proses yang sangat mirip dengan pembukaan pegas. Bagian yang berbeda dari molekul melipat dan membuka, dan peneliti mempelajari tahap perantara antara bentuk molekuler yang berbeda.

Menurut Phys.org, Pratyush Tiwary adalah penulis senior makalah dan merupakan asisten profesor di Departemen Kimia dan Biokimia Maryland dan Institut untuk Sains Fisik dan Teknologi. Menurut Tiwary, pemrosesan bahasa alami dapat digunakan untuk memodelkan bagaimana molekul bertransformasi dan beradaptasi. Tiwary mencatat bahwa molekul memiliki “bahasa” tertentu yang mereka ucapkan, dengan gerakan yang dilakukan molekul dapat diterjemahkan menjadi bahasa abstrak. Ketika proses pemetaan gerakan molekul ke pola bahasa dilakukan, teknik pemrosesan bahasa alami dan algoritma AI dapat digunakan untuk “menghasilkan cerita biologis yang benar dari kata abstrak yang dihasilkan.”

Ketika sebuah molekul berubah dari satu bentuk ke bentuk lain, transisi tersebut terjadi sangat cepat. Transisi mungkin hanya memakan waktu secepat triliunan detik. Kecepatan transisi yang sangat cepat membuatnya sulit bagi ilmuwan untuk menentukan parameter apa yang mempengaruhi proses pelipatan menggunakan metode seperti spektroskopi atau bahkan mikroskop berdaya tinggi. Untuk menentukan parameter apa yang mempengaruhi pelipatan protein, Tiwary dan tim peneliti lainnya membuat model fisika yang mensimulasikan protein. Model statistik kompleks digunakan untuk membuat simulasi protein yang meniru bentuk, trajektori, dan gerakan molekul. Model tersebut kemudian diberikan kepada algoritma pembelajaran mesin berbasis metode pemrosesan bahasa alami.

Model pemrosesan bahasa alami yang digunakan untuk melatih sistem pembelajaran mesin sangat mirip dengan algoritma yang digunakan dalam sistem teks prediktif Gmail. Protein yang disimulasikan dianggap sebagai bahasa di mana gerakan molekul diterjemahkan menjadi “huruf”. Huruf-huruf tersebut kemudian dihubungkan untuk membentuk kata dan kalimat. Algoritma pembelajaran mesin dapat mempelajari aturan tata bahasa dan sintaksis di balik struktur protein, menentukan bentuk/gerakan mana yang mengikuti bentuk/gerakan lain. Algoritma tersebut kemudian dapat digunakan untuk memprediksi bagaimana protein tertentu akan terbuka dan bentuk apa yang akan diambilnya.

Peneliti menggunakan jaringan memori jangka panjang pendek (LSTM) untuk menganalisis kalimat berbasis protein. Tim peneliti juga memantau matematika yang digunakan dalam jaringan, memantau parameter saat jaringan mempelajari dinamika transformasi molekuler. Menurut hasil penelitian, jaringan menggunakan logika yang mirip dengan konsep fisika statis yang dikenal sebagai entropi jalur. Jika temuan ini tetap konstan, maka dapat berpotensi mengarah pada perbaikan dalam jaringan LSTM. Tiwary menjelaskan bahwa penemuan ini mengungkap beberapa sifat kotak hitam dari LSTM, memungkinkan peneliti untuk lebih memahami parameter apa yang dapat disesuaikan untuk kinerja optimal.

Sebagai kasus uji untuk algoritma mereka, peneliti menganalisis biomolekul yang disebut riboswitch. Riboswitch telah dianalisis sebelumnya menggunakan spektroskopi, dan ketika riboswitch dianalisis dengan sistem pembelajaran mesin, bentuk riboswitch yang diprediksi sesuai dengan yang ditemukan oleh spektroskopi.

Tiwary berharap temuan mereka akan memungkinkan peneliti mengembangkan obat yang ditargetkan dengan efek samping yang lebih sedikit. Seperti yang dijelaskan Tiwary melalui Phys.org:

“Anda ingin memiliki obat yang kuat yang mengikat sangat kuat, tetapi hanya ke hal yang Anda inginkan mereka ikat. Kami dapat mencapai itu jika kami dapat memahami bentuk yang berbeda yang dapat diambil oleh biomolekul tertentu, karena kami dapat membuat obat yang hanya mengikat salah satu bentuk tersebut pada waktu yang tepat dan hanya selama yang kami inginkan.”