Expanding Protein Structure Prediction into Conformational State Space
Questo articolo sostiene che la previsione della struttura proteica debba evolvere dall'identificazione di una singola conformazione dominante a un problema completo di inferenza dello spazio degli stati che recuperi l'intero ensemble di stati accessibili, le loro relazioni energetiche e cinetiche e le loro risposte alle perturbazioni.
Articolo originale dedicato al pubblico dominio sotto CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Il segreto mutante della vita
Immaginate di cercare di capire come funziona un'automobile. Per molto tempo, gli scienziati hanno pensato che il modo migliore per farlo fosse scattare una foto ad alta risoluzione dell'auto parcheggiata in garage. Se aveste conosciuto l'esatta forma dell'auto parcheggiata, avreste potuto intuire cosa facesse: aveva quattro ruote, quindi procedeva; aveva un motore, quindi si muoveva. Questo funzionava benissimo per le cose semplici. Ma cosa sarebbe successo se l'auto non fosse stata solo parcheggiata? E se potesse trasformarsi in un elicottero, in una barca o in una motocicletta a seconda che piovesse, ci fosse il sole o trasportasse un carico pesante? Se guardaste solo la foto dell'auto parcheggiata, perdereste l'intera magia. Non sapreste come vola o come galleggia.
Questo è esattamente il puzzle che gli scienziati affrontano con le proteine. Le proteine sono le macchine minuscole e microscopiche che mantengono in vita ogni essere vivente. Costruiscono i nostri muscoli, combattono i virus e trasportano l'ossigeno nel nostro sangue. Per decenni, lo "standard di riferimento" in biologia è stato quello di determinare la forma di una proteina quando è ferma, come una statua di ghiaccio. Pensavamo che se avessimo conosciuto la forma della statua, avremmo conosciuto tutta la storia. Ma la vita non è statica. Le proteine sono più simili ad acrobati che a statue; si torcono, ruotano e cambiano forma per svolgere i loro compiti. A volte hanno una "modalità nascosta" segreta che appare solo quando compare una specifica sostanza chimica o quando la temperatura cambia. Se guardiamo solo la versione "parcheggiata", perdiamo l'acrobazia che effettivamente rende possibile la vita.
Il documento: Da una singola foto a un film completo
Questo articolo, scritto da un team di ricercatori provenienti da istituzioni come l'NIH e l'Università di Toronto, sostiene che dobbiamo smettere di cercare di scattare una singola foto di una proteina e iniziare a cercare di realizzare un film completo della sua vita. Gli autori suggeriscono che il modo in cui attualmente utilizziamo l'Intelligenza Artificiale (IA) per predire le strutture proteiche sia troppo limitato. Attualmente, questi modelli di IA sono incredibilmente bravi a predire una singola forma "dominante" di una proteina basandosi sul suo codice genetico. È come un'IA che può disegnare un ritratto perfetto di un camaleonte seduto su una foglia verde. Ma se lo stesso camaleonte deve diventare rosso per nascondersi su un fiore, o blu per mimetizzarsi nel cielo, l'IA che disegna solo la versione verde sta mancando il punto.
L'articolo spiega che molte proteine non hanno solo una forma, ma possiedono un intero "spazio degli stati". Pensate a questo come a un parco giochi con scivoli, altalene e pareti per arrampicarsi. Una proteina potrebbe passare la maggior parte del tempo sull'altalena (la forma principale), ma a volte ha bisogno di scendere lungo lo scivolo (una forma diversa) per catturare un virus o attivare un gene. Il problema è che i nostri attuali strumenti di IA sono addestrati principalmente su immagini "congelate" di proteine trovate nei laboratori, che sono solitamente le forme più stabili e comuni. Ciò significa che l'IA spesso ignora le altre forme, anche se quelle forme "rare" potrebbero essere proprio quelle che svolgono il lavoro importante, come aprire una tasca segreta per far entrare un farmaco.
Gli autori sottolineano che questa limitazione diventa un problema importante quando le cose si complicano. Ad esempio, alcune proteine sono "metamorfiche", il che significa che lo stesso codice genetico può costruire due strutture completamente diverse, come un giocattolo Transformer che cambia da robot a auto. Gli attuali strumenti di IA spesso falliscono in questo, perché sono addestrati per trovare un solo risultato, non due. Allo stesso modo, le proteine spesso cambiano forma quando si legano a un farmaco, a uno ione specifico o quando il pH (acidità) del loro ambiente cambia. Se l'IA non conosce l'ambiente, non può predire il cambiamento di forma. L'articolo suggerisce che invece di chiedere: "Qual è la forma di questa proteina?", dovremmo chiedere: "Quali sono tutte le forme che questa proteina può assumere, quanto spesso passa da una all'altra e cosa la fa cambiare?".
Perché abbiamo bisogno di una nuova mappa
L'articolo esamina come stiamo cercando di risolvere la questione. Alcuni scienziati stanno cercando di ingannare l'IA per mostrare diverse forme cambiando i dati che essa vede, un po' come chiedere a uno chef di cucinare un piatto con ingredienti leggermente diversi per vedere se il sapore cambia. Altri utilizzano simulazioni al computer basate sulla fisica per osservare le proteine che si muovono e oscillano, ma queste simulazioni sono lente e costose, come cercare di filmare un film scattando un fotogramma ogni ora. Gli autori suggeriscono una "tabella di marcia" per il futuro: un nuovo tipo di IA che non si limiti a indovinare una singola forma, ma che predica l'intero "paesaggio" delle possibilità.
Questo nuovo approccio dovrebbe essere un giocatore di squadra. Dovrebbe combinare la velocità dell'IA con l'accuratezza delle simulazioni fisiche e degli esperimenti reali. Immaginate un sistema in cui l'IA propone un elenco di possibili forme, la parte fisica controlla se quelle forme sono stabili e quanta energia serve per passare da una all'altra, e gli esperimenti reali (come scattare istantanee delle proteine in un laboratorio) confermano quali sono effettivamente presenti in natura. L'articolo nota che, sebbene abbiamo fatto enormi progressi nella predizione della forma "parcheggiata" delle proteine, il prossimo grande salto non riguarderà la precisione delle coordinate di un singolo atomo. Si tratterà invece di comprendere la danza dinamica della proteina.
Gli autori avvertono che non siamo ancora arrivati a quel punto. Gli strumenti attuali possono talvolta trovare queste forme alternative, ma spesso non riescono a dirci quanto sia probabile che la proteina si trovi in quella forma o quanto velocemente avvenga il passaggio. Avvertono inoltre che avere semplicemente un punteggio di "alta confidenza" da un'IA non significa che la forma sia biologicamente reale; potrebbe solo significare che l'IA ha visto quella forma spesso nei suoi dati di addestramento. Per comprendere veramente come funzionano le proteine, dobbiamo passare da una mappa statica a una dinamica che includa il meteo, il traffico e l'umore del conducente. Facendo ciò, potremmo progettare farmaci migliori che prendano di mira le "modalità segrete" delle proteine, comprendere le malattie causate da proteine che rimangono bloccate nella forma sbagliata e finalmente vedere l'immagine completa e viva dei meccanismi che ci rendono ciò che siamo.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.