Onderzoeker gebruikt natuurlijke taalverwerking om eiwittransformatie te begrijpen

Onderzoekers van de Universiteit van Maryland pasten onlangs natuurlijke taalverwerkingstechnieken en machine learning-algoritmen toe om inzicht te krijgen in hoe eiwitmoleculen van de ene vorm naar de andere vorm veranderen. Natuurlijke taalverwerking en machine learning-algoritmen werden gebruikt om de dynamica van biomoleculaire systemen te bestuderen met betrekking tot de transformatie van eiwitten. Het recente artikel, gepubliceerd in het tijdschrift Nature Communications, is de eerste keer dat een AI-algoritme is gebruikt om de dynamica van biomoleculaire systemen te bestuderen met betrekking tot de transformatie van eiwitten.

Eiwitmoleculen kunnen verschillende vormen aannemen, maar de mechanismen die een eiwitmolecuul doen veranderen van de ene vorm naar de andere, zijn nog steeds enigszins mysterieus. De functie van een eiwitmolecuul wordt bepaald door zijn vorm, en een beter begrip van de mechanismen die de vorm/structuur van een eiwit beïnvloeden, kan wetenschappers in staat stellen om gerichte drugtherapieën te ontwikkelen en de oorzaak van ziektes te bepalen.

Biologische moleculen zijn niet stationair, ze bewegen constant in reactie op gebeurtenissen in hun omgeving. Omgevingsdruk kan moleculen doen veranderen in verschillende vormen, vaak heel plotseling. Een molecuul kan plotseling opnieuw vouwen in een compleet andere structuur, in een proces dat zeer lijkt op het ontrollen van een veer. Verschillende delen van het molecuul vouwen en ontvouwen, en de onderzoekers bestudeerden de tussenliggende stadia tussen de verschillende moleculaire vormen.

Volgens Phys.org was Pratyush Tiwary de senior auteur van het artikel en is hij een assistent-professor aan de afdeling Scheikunde en Biochemie en het Instituut voor Fysica en Technologie van Maryland. Volgens Tiwary kan natuurlijke taalverwerking worden gebruikt om te modelleren hoe moleculen transformeren en aanpassen. Tiwary merkt op dat moleculen een bepaalde “taal” spreken, met de bewegingen die moleculen maken die kunnen worden vertaald in een abstracte taal. Wanneer dit proces van het koppelen van molecuulbewegingen aan taalpatronen wordt uitgevoerd, kunnen natuurlijke taalverwerkingstechnieken en AI-algoritmen worden gebruikt om “biologisch waarheidsgetrouwe verhalen te genereren uit de resulterende abstracte woorden.”

Wanneer een molecuul van de ene vorm naar de andere vorm verandert, gebeurt de overgang extreem snel. De overgang kan slechts zo lang duren als een triljoenste van een seconde. De grote snelheid van de overgang maakt het moeilijk voor wetenschappers om te bepalen welke parameters de ontvouwingsprocessen beïnvloeden met behulp van methoden zoals spectroscopie of zelfs krachtige microscopen. Om te bepalen welke parameters de ontvouwing van eiwitten beïnvloeden, creëerden Tiwary en het rest van het onderzoeksteam fysieke modellen die eiwitten simuleerden. Complexe statistische modellen werden gebruikt om eiwitsimulaties te creëren die de vorm, traject, en beweging van de moleculen nabootsten. De modellen werden vervolgens aan een machine learning-algoritme gebaseerd op natuurlijke taalverwerkingstechnieken gegeven.

De natuurlijke taalverwerkingmodellen die werden gebruikt om het machine learning-systeem te trainen, waren vergelijkbaar met de algoritmen die worden gebruikt in de predictieve tekstsystemen van Gmail. De gesimuleerde eiwitten werden behandeld als een taal waarin de bewegingen van moleculen werden vertaald in “letters”. De letters werden vervolgens gekoppeld om woorden en zinnen te vormen. De machine learning-algoritmen konden de grammaticale en syntactische regels achter de eiwitstructuren leren, en bepalen welke vormen/bewegingen andere vormen/bewegingen volgden. De algoritmen konden vervolgens worden gebruikt om te voorspellen hoe bepaalde eiwitten zouden ontvouwen en welke vormen ze zouden aannemen.

De onderzoekers gebruikten een long short-term memory (LSTM)-netwerk om de eiwit-gebaseerde zinnen te analyseren. Het onderzoeksteam hield ook bij welke wiskunde het netwerk gebruikte, en volgde de parameters terwijl het netwerk de dynamica van moleculaire transformatie leerde. Volgens de resultaten van de studie, gebruikte het netwerk logica die vergelijkbaar was met een statisch fysiek concept genaamd pad-entropie. Als deze bevinding standhoudt, kan het potentieel leiden tot verbeteringen in LSTM-netwerken. Tiwary legde uit dat de ontdekking een deel van de black-box-natuur van een LSTM afpelt, en onderzoekers in staat stelt om beter te begrijpen welke parameters kunnen worden afgestemd voor optimale prestaties.

Als testcase voor hun algoritme, analyseerden de onderzoekers een biomolecuul genaamd riboswitch. Riboswitch was al eerder geanalyseerd met spectroscopie, en toen riboswitch werd geanalyseerd met het machine learning-systeem, kwamen de voorspelde riboswitch-vormen overeen met die ontdekt door spectroscopie.

Tiwary hoopt dat hun bevindingen onderzoekers in staat zullen stellen om gerichte drugs te ontwikkelen met minder bijwerkingen. Zoals Tiwary via Phys.org uitlegde:

“Je wilt krachtige drugs hebben die sterk binden, maar alleen aan het ding dat je wilt dat ze binden. We kunnen dat bereiken als we de verschillende vormen kunnen begrijpen die een bepaald biomolecuul van interesse kan aannemen, omdat we drugs kunnen maken die alleen binden aan een van die specifieke vormen op het juiste moment en alleen voor zolang we willen.”