Ricercatore Utilizza Algoritmi di Elaborazione del Linguaggio Naturale per Comprendere la Trasformazione delle Proteine

I ricercatori dell’Università del Maryland hanno recentemente applicato tecniche di elaborazione del linguaggio naturale e algoritmi di apprendimento automatico per ottenere informazioni su come le molecole di proteine cambiano forma da una forma all’altra. L’articolo recente, pubblicato sulla rivista Nature Communications, è la prima volta che un algoritmo di intelligenza artificiale è stato utilizzato per studiare la dinamica dei sistemi biomolecolari in relazione alla trasformazione delle proteine.

Le molecole di proteine possono assumere diverse forme, ma i meccanismi che inducono una proteina a cambiare forma da una forma all’altra sono ancora in parte misteriosi. La funzione di una molecola di proteina è definita dalla sua forma, e una migliore comprensione dei meccanismi che influenzano la forma/struttura di una proteina potrebbe consentire ai ricercatori di progettare terapie farmacologiche mirate e determinare la causa delle malattie.

Le molecole biologiche non sono stazionarie, si muovono costantemente in risposta agli eventi del loro ambiente. Le pressioni ambientali possono far cambiare forma alle molecole, spesso molto rapidamente. Una molecola può cambiare forma in un processo che assomiglia allo srotolamento di una molla. Diverse parti della molecola si srotolano e si riavvolgono, e i ricercatori hanno studiato le fasi intermedie tra le diverse forme molecolari.

Secondo Phys.org, Pratyush Tiwary era l’autore principale dell’articolo e è un assistente professore presso il Dipartimento di Chimica e Biochimica e l’Istituto per la Scienza Fisica e la Tecnologia del Maryland. Secondo Tiwary, l’elaborazione del linguaggio naturale può essere utilizzata per modellare come le molecole si trasformano e si adattano. Tiwary nota che le molecole hanno un certo “linguaggio” che parlano, con i movimenti che le molecole fanno che possono essere tradotti in un linguaggio astratto. Quando questo processo di mappatura del movimento molecolare ai modelli di linguaggio viene eseguito, le tecniche di elaborazione del linguaggio naturale e gli algoritmi di intelligenza artificiale possono essere utilizzati per “generare storie biologicamente veritiere dalle parole astratte risultanti.”

Quando una molecola passa da una forma all’altra, la transizione avviene estremamente rapidamente. La transizione può durare solo un trilionesimo di secondo. La velocità estrema della transizione rende difficile per gli scienziati determinare quali parametri influenzano il processo di srotolamento utilizzando metodi come la spettroscopia o anche microscopi ad alta potenza. Per determinare quali parametri influenzano lo srotolamento delle proteine, Tiwary e il resto del team di ricerca hanno creato modelli fisici che simulano le proteine. Sono stati utilizzati modelli statistici complessi per creare simulazioni di proteine che emulano la forma, la traiettoria e il movimento delle molecole. I modelli sono stati quindi forniti a un algoritmo di apprendimento automatico basato su metodi di elaborazione del linguaggio naturale.

I modelli di elaborazione del linguaggio naturale utilizzati per addestrare il sistema di apprendimento automatico erano simili agli algoritmi utilizzati nei sistemi di testo predittivo di Gmail. Le proteine simulate sono state trattate come un linguaggio in cui i movimenti delle molecole sono stati tradotti in “lettere”. Le lettere sono state quindi collegate per formare parole e frasi. Gli algoritmi di apprendimento automatico sono stati in grado di apprendere le regole grammaticali e sintattiche alla base delle strutture proteiche, determinando quali forme/movimenti seguono altri movimenti. Gli algoritmi possono quindi essere utilizzati per prevedere come certe proteine si srotolino e quali forme assumeranno.

I ricercatori hanno utilizzato una rete a memoria lunga e breve (LSTM) per analizzare le frasi basate sulle proteine. Il team di ricerca ha anche tenuto traccia della matematica su cui si basava la rete, monitorando i parametri mentre la rete apprendeva la dinamica della trasformazione molecolare. Secondo i risultati dello studio, la rete ha utilizzato una logica simile a un concetto di fisica statistica noto come entropia del percorso. Se questo risultato si mantiene costante, potrebbe potenzialmente portare a miglioramenti nelle reti LSTM. Tiwary ha spiegato che la scoperta rivela parte della natura “black-box” di una rete LSTM, permettendo ai ricercatori di comprendere meglio quali parametri possono essere regolati per ottenere prestazioni ottimali.

Come caso di test per il loro algoritmo, i ricercatori hanno analizzato una biomolecola chiamata riboswitch. Il riboswitch era già stato analizzato utilizzando la spettroscopia, e quando il riboswitch è stato analizzato con il sistema di apprendimento automatico, le forme di riboswitch previste hanno corrisposto a quelle scoperte dalla spettroscopia.

Tiwary spera che i loro risultati permettano ai ricercatori di sviluppare farmaci mirati con meno effetti collaterali. Come ha spiegato Tiwary via Phys.org:

“Vuoi avere farmaci potenti che si legano molto fortemente, ma solo alla cosa che vuoi che si leghino. Possiamo raggiungere questo obiettivo se possiamo comprendere le diverse forme che una biomolecola di interesse può assumere, perché possiamo creare farmaci che si legano solo a una di quelle forme specifiche al momento giusto e solo per il tempo che vogliamo.”