Cercetătorii Utilizează Algoritmi de Procesare a Limbajului Natural pentru a Înțelege Transformarea Proteică

Cercetătorii de la Universitatea din Maryland au aplicat recent tehnici de procesare a limbajului natural și algoritmi de învățare automată pentru a obține informații despre modul în care moleculele de proteine se transformă dintr-o formă în alta. Procesarea limbajului natural și structura proteinelor sunt esențiale pentru înțelegerea funcției proteinelor. Articolul recent, publicat în revista Nature Communications, este primul care utilizează un algoritm de inteligență artificială pentru a studia dinamica sistemelor biomoleculare în ceea ce privește transformarea proteinelor.

Moleculele de proteine pot lua diferite forme, dar mecanismele care determină transformarea unei proteine dintr-o formă în alta sunt încă puțin cunoscute. Funcția unei molecule de proteină este definită de forma sa, și o înțelegere mai bună a mecanismelor care influențează forma/structura proteinelor ar putea permite oamenilor de știință să proiecteze terapii medicamentoase țintite și să determine cauza bolilor.

Moleculele biologice nu sunt statice, ci se mișcă în mod constant în răspuns la evenimentele din mediul lor. Presiunile mediului pot face moleculele să se transforme în forme diferite, adesea foarte brusc. O moleculă poate se transforma brusc într-o structură complet diferită, într-un proces asemănător cu desfășurarea unui arc. Diferite părți ale moleculei se desfășoară și se împăturesc, și cercetătorii au studiat stadiile intermediare între diferitele forme moleculare.

Conform Phys.org, Pratyush Tiwary a fost autorul principal al articolului și este profesor asistent la Departamentul de Chimie și Biochimie și Institutul pentru Știința și Tehnologia Fizică de la Maryland. Conform lui Tiwary, procesarea limbajului natural poate fi utilizată pentru a modela modul în care moleculele se transformă și se adaptează. Tiwary notează că moleculele au un anumit “limbaj” pe care îl vorbesc, cu mișcările pe care le fac moleculele putând fi traduse într-un limbaj abstract. Când acest proces de mapare a mișcării moleculelor la modele de limbaj este efectuat, tehnici de procesare a limbajului natural și algoritmi de inteligență artificială pot fi utilizați pentru a “genera povești biologic adevărate din cuvintele abstracte rezultate.”

Când o moleculă se transformă dintr-o formă în alta, transformarea are loc extrem de rapid. Transformarea poate dura doar o trilionime de secundă. Viteza extremă a transformării face dificilă determinarea parametrilor care afectează procesul de desfășurare utilizând metode precum spectroscopia sau chiar microscopii puternice. Pentru a determina care parametri afectează desfășurarea proteinelor, Tiwary și echipa de cercetare au creat modele fizice care simulează proteinele. Modele statistice complexe au fost utilizate pentru a crea simulări de proteine care imită forma, traiectoria și mișcarea moleculelor. Modelele au fost apoi date unui algoritm de învățare automată bazat pe tehnici de procesare a limbajului natural.

Modelele de procesare a limbajului natural utilizate pentru a antrena sistemul de învățare automată au fost similare cu algoritmii utilizați în sistemele de text predictiv pe care le utilizează Gmail. Proteinele simulate au fost tratate ca un limbaj în care mișcările moleculelor au fost traduse în “litere”. Literele au fost apoi legate împreună pentru a forma cuvinte și propoziții. Algoritmii de învățare automată au putut învăța regulile gramaticale și sintactice din spatele structurilor de proteine, determinând care forme/mișcări urmează altor forme/mișcări. Algoritmii au putut fi apoi utilizați pentru a prezice cum anumite proteine se vor desfășura și care forme vor lua.

Cercetătorii au utilizat o rețea cu memorie pe termen lung pentru a analiza “propozițiile” bazate pe proteine. Echipa de cercetare a urmărit și matematica pe care se baza rețeaua, monitorizând parametrii pe măsură ce rețeaua învăța dinamica transformării moleculare. Conform rezultatelor studiului, rețeaua a utilizat o logică similară cu un concept static al fizicii cunoscute sub numele de entropie a traiectoriei. Dacă această descoperire se dovedește a fi valabilă, ar putea duce la îmbunătățiri ale rețelelor cu memorie pe termen lung. Tiwary a explicat că descoperirea dezvăluie o parte din natura “cutiei negre” a unei rețele cu memorie pe termen lung, permițând cercetătorilor să înțeleagă mai bine care parametri pot fi reglați pentru a obține o performanță optimă.

Ca studiu de caz pentru algoritmul lor, cercetătorii au analizat o biomoleculă numită riboswitch. Riboswitch a fost deja analizat utilizând spectroscopia, și atunci când riboswitch a fost analizat cu sistemul de învățare automată, formele prezise de riboswitch au corespuns cu cele descoperite prin spectroscopie.

Tiwary speră că descoperirile sale vor permite cercetătorilor să dezvolte medicamente țintite care au mai puține efecte secundare. Așa cum a explicat Tiwary prin Phys.org:

“Doriți să aveți medicamente puternice care se leagă foarte puternic, dar numai de ceea ce doriți să se lege. Putem realiza acest lucru dacă putem înțelege diferitele forme pe care o biomoleculă dată de interes le poate lua, deoarece putem crea medicamente care se leagă numai de una dintre aceste forme specifice la momentul potrivit și numai pentru perioada de timp pe care o dorim.”