Дослідник використовує алгоритми обробки природної мови для розуміння трансформації білків

Дослідники з Університету Меріленду недавно застосували техніки обробки природної мови та алгоритми машинного навчання, щоб глибше зрозуміти, як молекули білків змінюють свою форму з однієї на іншу. Стаття, опублікована в журналі Nature Communications, є першою спробою використання алгоритму штучного інтелекту для вивчення динаміки біомолекулярних систем щодо трансформації білків.

Молекули білків можуть мати різні форми, але механізми, які спонукають білок змінити свою форму з однієї на іншу, все ще залишаються досить загадковими. Функція молекули білка визначається її формою, і глибше розуміння механізмів, які впливають на форму/структуру білка, може дозволити вченим розробити цілеспрямовані терапії та визначити причини захворювань.

Біологічні молекули не є нерухомими, вони постійно рухаються у відповідь на події в їхньому середовищі. Тиск середовища може змусити молекули змінити свою форму, часто дуже швидко. Молекула може раптово змінити свою структуру, у процесі, який дуже схожий на розмотування пружини. Різні частини молекули розгортаються і загортаються, і дослідники вивчили проміжні стадії між різними молекулярними формами.

За даними Phys.org, Пратюш Тіварі був старшим автором статті і є асистентом професора в департаменті хімії та біохімії Університету Меріленду та Інституту фізичної науки і технологій. За словами Тіварі, обробка природної мови може бути використана для моделювання того, як молекули трансформуються та адаптуються. Тіварі зазначає, що молекули мають певну “мову”, яку вони говорять, а рухи, які роблять молекули, можуть бути перекладені на абстрактну мову. Коли цей процес відображення руху молекул на мовні патерни здійснюється, техніки обробки природної мови та алгоритми штучного інтелекту можуть бути використані для створення “біологічно правдивих історій з отриманих абстрактних слів”.

Коли молекула переходить з однієї форми в іншу, перехід відбувається дуже швидко. Перехід може тривати лише тринька секунди. Швидкість переходу робить його важким для вчених визначити, які параметри впливають на процес розгортання методами спектроскопії або навіть потужними мікроскопами. Для визначення параметрів, які впливають на розгортання білків, Тіварі та його команда створили фізичні моделі, які симулювали білки. Комплексні статистичні моделі були використані для створення симуляцій білків, які імітують форму, траєкторію та рух молекул. Моделі були потім передані алгоритму машинного навчання на основі методів обробки природної мови.

Моделі обробки природної мови, які були використані для навчання системи машинного навчання, були подібні до алгоритмів, використовуваних у системах передбачуваного тексту, які застосовуються в Gmail. Симульовані білки були оброблені як мова, де рухи молекул перекладалися на “букви”. Букви були потім пов’язані разом, щоб створити слова та речення. Алгоритми машинного навчання могли вивчити граматичні та синтаксичні правила білкової структури, визначаючи, які форми/рухи слідують за іншими формами/рухами. Алгоритми могли потім бути використані для передбачення того, як певні білки будуть розгортатися та які форми вони будуть приймати.

Дослідники використовували довготривалу короткочасну пам’ять (LSTM) для аналізу білкових речень. Команда також відстежувала математику, на якій була заснована мережа, моніторила параметри під час навчання мережі динаміки молекулярної трансформації. За результатами дослідження, мережа використовувала логіку, подібну до статистичної фізичної концепції, відомої як шляхова ентропія. Якщо це відкриття підтвердиться, воно може потенційно привести до покращення мереж LSTM. Тіварі пояснив, що відкриття розкриває частину “чорної скриньки” LSTM, дозволяючи дослідникам краще зрозуміти, які параметри можна налаштувати для оптимальної продуктивності.

Як тестовий випадок для свого алгоритму, дослідники проаналізували біомолеку під назвою рибосвітч. Рибосвітч вже був проаналізований методами спектроскопії, і коли рибосвітч був проаналізований системою машинного навчання, передбачені форми рибосвітчу збігалися з тими, які були виявлені спектроскопією.

Тіварі сподівається, що їхні відкриття дозволять дослідникам розробити цілеспрямовані ліки з меншою кількістю побічних ефектів. За словами Тіварі, опублікованими на Phys.org:

“Ви хочете мати потужні ліки, які зв’язуються дуже сильно, але тільки з тим, до чого ви хочете, щоб вони зв’язувалися. Ми можемо досягти цього, якщо зможемо зрозуміти різні форми, які може приймати певна біомолекула, оскільки ми можемо створити ліки, які зв’язуються тільки з однією з цих конкретних форм у відповідний час і тільки протягом часу, який ми хочемо.”