DynaPPI: A Large-scale Dynamic Protein Dataset for AI-driven Advances in Protein Interactomics

Imagina el cuerpo humano como una ciudad bulliciosa hecha de diminutos ladrillos de LEGO invisibles llamados proteínas. Algunos de estos ladrillos trabajan solos, pero la mayoría son como equipos especializados que deben encajar para construir máquinas, enviar señales o combatir invasores. Durante décadas, los científicos han sido muy buenos tomando fotos de estos equipos una vez que ya están construidos y bloqueados entre sí. Es como tener una foto de un castillo de LEGO terminado pero no tener idea de cómo las piezas realmente volaron por el aire, chocaron entre sí y se encajaron en su lugar. Esto es un gran problema porque el "cómo" importa tanto como el "qué". Si quieres diseñar un nuevo fármaco para detener un virus, necesitas saber cómo las proteínas del virus encuentran sus objetivos, no solo cómo se ven cuando están unidas.

Recientemente, las computadoras se han vuelto muy buenas adivinando cómo se ven estos equipos de proteínas utilizando un tipo de inteligencia artificial llamada "modelos de difusión". Piensa en estos modelos como un artista mágico que puede tomar un boceto borroso y desordenado y convertirlo en una imagen nítida y perfecta. Pero aquí está el truco: estos artistas solo han sido entrenados con instantáneas estáticas o ladrillos individuales moviéndose por su cuenta. No saben cómo pintar la película de dos equipos separados corriendo el uno hacia el otro, bailando alrededor y finalmente abrazándose para convertirse en una máquina compleja. Sin esta "película", la IA no puede predecir cómo se formarán nuevos equipos desconocidos, lo que deja una gran brecha en nuestra capacidad para diseñar nuevas medicinas o comprender la vida en su nivel más fundamental.

Entra DynaPPI, un nuevo y masivo conjunto de datos diseñado para enseñar a la IA cómo observar y predecir estas danzas de proteínas. Los investigadores detrás de este proyecto se dieron cuenta de que, para solucionar el punto ciego de la IA, necesitaban crear una biblioteca de "películas" que muestren exactamente cómo las cadenas de proteínas se mueven desde estar lejos hasta estar estrechamente unidas. En lugar de solo mirar el apretón de manos final, simularon todo el viaje. Tomaron equipos de proteínas conocidos, los separaron y luego utilizaron poderosas simulaciones por computadora para observar cómo derivaban, colisionaban y se reensamblaban con el tiempo.

El equipo creó un conjunto de datos que contiene alrededor de 10,000 de estos complejos proteicos, cubriendo diferentes tipos de asociaciones como proteína-proteína, proteína-ligando (una proteína encontrándose con una pequeña molécula de fármaco) y proteína-ácido nucleico (una proteína encontrándose con ADN o ARN). Para asegurar que las simulaciones fueran realistas, no solo adivinaron; ejecutaron miles de experimentos detallados por computadora. Cada experimento rastreó el movimiento de átomos durante períodos de tiempo que variaron de 10 nanosegundos a 1 milisegundo. Aunque eso suena corto, en el mundo de los átomos, es una eternidad: tiempo suficiente para verlos oscilar, girar y encontrarse. El conjunto de datos incluye más de 100 mil millones de fotogramas de datos, capturando cada diminuto cambio de posición, velocidad y energía.

Lo que hace especial a DynaPPI es que enseña explícitamente a la IA el proceso de unión. En el pasado, los modelos de IA eran como estudiantes que solo estudiaban las respuestas del examen final. Ahora, con DynaPPI, pueden estudiar la tarea paso a paso. El conjunto de datos muestra a la IA cómo se comportan las proteínas cuando están lejos, cómo cambian de forma cuando se acercan y cómo se ve el "medio" antes de que se bloqueen. Los investigadores simularon estos eventos tomando estructuras conocidas, separando las cadenas y luego dejándolas sueltas en un océano virtual de agua y sal para ver si se encontraban de nuevo. Ejecutaron estas simulaciones múltiples veces (réplicas) para asegurar que capturaran la aleatoriedad de la naturaleza, tal como se lanzan dados muchas veces para ver todos los resultados posibles.

El artículo sugiere que, al alimentar estos datos dinámicos en modelos de difusión, la IA puede aprender a predecir no solo la forma final de un complejo proteico, sino todo el camino que toma para llegar allí. Esto podría cambiar las reglas del juego en el diseño de fármacos. Imagina poder simular cómo una nueva molécula de fármaco acechará a una proteína causante de una enfermedad, detectando bolsillos temporales que se abren solo durante la danza, en lugar de solo mirar la puerta cerrada. Los autores proponen que esto podría ayudar a los científicos a diseñar mejores fármacos, la ingeniería de nuevas máquinas biológicas e incluso prepararse para futuras pandemias al comprender cómo los virus podrían interactuar con las células humanas.

Sin embargo, es importante señalar que esto es una propuesta y la construcción de un recurso, no un producto terminado que ya haya resuelto cada misterio. El artículo describe un plan para construir este conjunto de datos, detallando cómo seleccionarán las proteínas, cómo limpiarán los datos y cómo ejecutarán las simulaciones. Han establecido metas específicas, como asegurar que los datos cubran una gran variedad de tipos de proteínas y que las simulaciones sean lo suficientemente precisas como para coincidir con experimentos del mundo real. También reconocen que, aunque pueden simular estos procesos, la verdadera prueba será cuando otros científicos utilicen estos datos para entrenar sus propios modelos de IA y vean si esos modelos pueden predecir con éxito estructuras que no han sido vistas antes. El conjunto de datos está diseñado para ser abierto y accesible, permitiendo que la comunidad científica global construya sobre este fundamento y amplíe los límites de lo que la IA puede hacer en biología.