Simulation of Protein Structure using a Coarse-Grained Potential incorporating the Backbone Dihedral Interactions

Imagina intentar observar un solo grano de arena bailar en un huracán. Ahora, imagina intentar observar toda una playa de granos de arena girando, colisionando y construyendo castillos juntos, todo mientras el huracán arrecia. Este es el desafío que enfrentan los científicos al estudiar las proteínas, las diminutas y complejas máquinas que dirigen nuestros cuerpos. Las proteínas están hechas de largas cadenas de aminoácidos que se pliegan en intrincadas formas tridimensionales. Para ver cómo se mueven e interactúan, los científicos suelen utilizar simulaciones de "todos los átomos", que tratan cada átomo individual como una bola de billar distinta. Pero esto es como intentar filmar toda esa playa de arena rastreando cada grano de forma individual; requiere tanta potencia de cómputo que solo puedes observar una diminuta mota de arena durante una fracción de segundo. Para ver el panorama general —como miles de proteínas agrupándose para formar una enfermedad o construir una pared celular— los científicos necesitan alejarse. Utilizan modelos de "granulometría gruesa" (coarse-grained), que agrupan muchos átomos en una sola "cuenta", como si se empaquetara un puñado de arena para convertirlo en una canica. Esto acelera las cosas masivamente, pero hay un inconveniente: en la prisa por simplificar, el modelo a menudo pierde la receta secreta de cómo se pliega la proteína. Olvida los ángulos y giros específicos que le dan su forma, convirtiendo a un maestro chef en alguien que solo sabe mezclar ingredientes sin conocer la receta.

Aquí es donde comienza la historia de este artículo. Los investigadores, Kanika Kole, Abhik Ghosh Moulick y Jaydeb Chakrabarti, querían construir un modelo de granulometría gruesa "inteligente". Se preguntaron: ¿Podemos crear un modelo de proteína simplificado que sea lo suficientemente rápido para ver bailar toda la playa, pero lo suficientemente inteligente para recordar los ángulos de plegado secretos? Desarrollaron un nuevo método que trata cada aminoácido en una cadena de proteínas como una sola cuenta, pero le dieron a cada cuenta cinco "grados de libertad" especiales. Piensen en estas cuentas no solo como canicas estáticas, sino como articulaciones flexibles que pueden oscilar y girar. Crucialmente, no solo adivinaron cómo debían moverse estas cuentas; "robaron" las reglas de una película de cámara lenta súper detallada de una proteína llamada GB3. Al analizar los movimientos de cada átomo en esa película detallada, extrajeron los costos de energía exactos para el giro y la flexión, y luego programaron esas reglas en su modelo rápido y simplificado. Probaron este nuevo modelo de "cuenta inteligente" en varias proteínas, desde glóbulos pequeños y ordenados hasta cadenas desordenadas y erráticas que no tienen una forma fija. Encontraron que su modelo podía reproducir con éxito las formas complejas y los patrones de plegado observados en estructuras cristalinas reales y simulaciones detalladas, todo mientras funcionaba mucho más rápido. Es más, demostraron que las reglas aprendidas de una proteína podían usarse para predecir las formas de proteínas completamente diferentes, lo que sugiere que existe un "lenguaje" universal del plegado de proteínas que su modelo habla con fluidez.

La historia de las cuentas inteligentes

En el mundo de la biología, las proteínas son las cambiantes de forma definitivas. Son largas cadenas de bloques de construcción (aminoácidos) que giran y se retuercen en estructuras tridimensionales específicas para realizar sus funciones. A veces, estas cadenas son rígidas y bien definidas, como una grulla de origami plegada. Otras veces, son "intrínsecamente desordenadas", lo que significa que son laxas y caóticas, como un tazón de espaguetis cocidos que solo toma forma cuando se agarra a algo más. Comprender cómo estas cadenas se mueven, se pliegan y se agrupan es vital para entender la vida y las enfermedades, pero es increíblemente difícil de simular.

Los autores de este artículo abordaron un problema clásico de la informática: la compensación entre velocidad y detalle. Si quieres ver una proteína moverse en tiempo real, necesitas un modelo rápido y simplificado. Pero si simplificas demasiado, pierdes los "ángulos diedros": los ángulos específicos en los que la cadena de la proteína se dobla. Estos ángulos son la salsa secreta que determina si una proteína se convierte en una hélice robusta o en una lámina plana. Sin ellos, el modelo es solo una cuerda floja sin memoria de lo que debería ser.

La solución del equipo fue crear un modelo "híbrido". Imaginen una cadena de proteínas como un cordón de cuentas. En su modelo, cada cuenta representa el centro de un aminoácido completo. Pero estas no son cuentas ordinarias; son "cuentas inteligentes" equipadas con una memoria de cómo les gusta doblarse. Los investigadores dotaron a cada cuenta de dos variables adicionales para rastrear: los ángulos diedros de la columna vertebral, conocidos como $\phi$ (phi) y $\psi$ (psi). Estos son los ángulos que definen el giro de la columna vertebral de la proteína.

Para enseñar a estas cuentas cómo comportarse, los autores no inventaron reglas al azar. Observaron una simulación de alta definición, de "todos los átomos", de una pequeña proteína llamada GB3. Observaron cómo se movían los átomos a lo largo del tiempo y calcularon la "energía libre" de cada giro y vuelta posible. Piensen en esto como mapear un paisaje donde los valles son las posiciones cómodas y estables para la proteína, y las colinas son las posiciones incómodas de alta energía. Luego, tradujeron este mapa en un conjunto de reglas para sus cuentas simplificadas.

También se aseguraron de que sus cuentas supieran cómo interactuar con el agua. Clasificaron las cuentas en dos tipos: "solvofílicas" (amigas del agua) y "solvofóbicas" (temerosas del agua). Las cuentas amantes del agua fueron programadas para atraer las moléculas de agua, mientras que las que temen al agua fueron programadas para alejarlas. Esto imita cómo se pliegan las proteínas reales: las partes que temen al agua se esconden en el núcleo, mientras que las partes que aman el agua permanecen en el exterior.

La gran prueba: De pequeñas grullas a espaguetis laxos

Una vez construido su modelo, el equipo lo puso a prueba. Primero, utilizaron las reglas que aprendieron de GB3 para simular la propia GB3. ¿El resultado? El modelo recreó con éxito la forma de la proteína. Cuando compararon la simulación de la "cuenta inteligente" con la película original de alta definición y la estructura cristalina real de la proteína, las formas coincidieron increíblemente bien. Aproximadamente el 80% de los elementos estructurales de la proteína (como hélices y láminas) fueron identificados correctamente por el modelo simplificado.

Pero la verdadera magia ocurrió cuando intentaron usar las reglas de GB3 en otras proteínas. Tomaron el mismo conjunto de reglas y lo aplicaron a una variedad de proteínas diferentes, incluyendo:

• Homeodominio: Una proteína pequeña que ayuda a regular los genes.
• Ubiquitina: Una proteína que etiqueta otras proteínas para su reciclaje.
• Chignolin, BBL y BBA: Proteínas diminutas que suelen usarse como casos de prueba para el plegado.
• Di-ubiquitina y Adenilato quinasa: Proteínas grandes de dos partes que realizan tareas complejas.

Sorprendentemente, el modelo funcionó para casi todas ellas. Aunque estas proteínas son diferentes de GB3, las "cuentas inteligentes" lograron plegarlas en formas que se asemejan de cerca a sus contrapartes de la vida real. Por ejemplo, en el caso de la Ubiquitina, el modelo capturó las estructuras secundarias correctas con un 67% de precisión en comparación con la estructura cristalina, e incluso mejor (92%) cuando se comparó con otras simulaciones detalladas. Esto sugiere que la "gramática" básica del plegado de proteínas —la forma en que la columna vertebral se dobla e interactúa con el agua— es sorprendentemente universal.

El equipo también probó su modelo en "proteínas intrínsecamente desordenadas" (IDP), específicamente $\alpha$-sinucleína y $\lambda$N. Estas son las proteínas de "espagueti laxo" que no tienen una forma fija. Cuando ejecutaron las simulaciones, el modelo predijo correctamente que estas proteínas permanecerían mayormente desplegadas y caóticas, tal como ocurre en el mundo real. Curiosamente, descubrieron que las "constantes elásticas" (qué tan rígida o flexible es la columna vertebral) para estas proteínas desordenadas eran mucho menores que para las estructuradas. Esto nos dice que la "laxitud" es una característica clave de estas proteínas, y su modelo la capturó perfectamente.

Por qué esto importa (y qué no es)

Los autores compararon su nuevo modelo con otros modelos simplificados populares, como Martini y SIRAH. Encontraron que, mientras que Martini tendía a hacer que las proteínas fueran demasiado rígidas y ordenadas, y SIRAH las hacía demasiado laxas y desordenadas, su nuevo modelo lograba un equilibrio perfecto. Fue capaz de reproducir las características estructurales detalladas de la proteína con alta precisión, coincidiendo tanto con las estructuras cristalinas experimentales como con las simulaciones de alta velocidad de todos los átomos.

Sin embargo, el artículo tiene cuidado en señalar lo que no hace. El modelo está limitado actualmente a la columna vertebral de la proteína y no incluye explícitamente las cadenas laterales (los "brazos" que sobresalen de la columna vertebral) ni los momentos dipolares del agua. Esto significa que es excelente para entender cómo las proteínas se pliegan y se agrupan, pero podría no ser lo suficientemente detallado para predecir exactamente cómo una molécula de fármaco se une a un bolsillo específico de una proteína. Además, las reglas se derivaron de simulaciones de proteínas específicas y, aunque parecen funcionar para muchas otras, los autores admiten que demostrar esta "transferibilidad" para cada proteína existente es un desafío masivo que va más allá de este único estudio.

Al final, este artículo ofrece una herramienta poderosa. Al enseñar a las cuentas simplificadas a recordar la compleja danza de los átomos, los investigadores han creado una forma de simular grandes grupos de proteínas moviéndose e interactuando durante largos periodos de tiempo. Esto abre la puerta al estudio de fenómenos que antes eran imposibles de ver, como la forma en que las proteínas se agregan para formar los cúmulos observados en enfermedades como el Parkinson, o cómo los materiales biológicos se autoensamblan. Es un paso hacia el observar la danza de toda la playa, no solo de un solo grano de arena.