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

Immaginate il corpo umano come una città frenetica fatta di minuscoli, invisibili mattoncini LEGO chiamati proteine. Alcuni di questi mattoncini lavorano da soli, ma la maggior parte sono come squadre specializzate che devono incastrarsi per costruire macchine, inviare segnali o combattere gli invasori. Per decenni, gli scienziati sono stati bravi a scattare foto a queste squadre una volta che sono già state costruite e bloccate insieme. È come avere la foto di un castello LEGO finito, ma non avere idea di come i pezzi siano volati nell'aria, si siano scontrati e si siano incastrati al loro posto. Questo è un grande problema perché il "come" conta tanto quanto il "cosa". Se volete progettare un nuovo farmaco per fermare un virus, dovete sapere come le proteine del virus trovano i loro bersagli, non solo che aspetto hanno quando sono incastrate insieme.

Recentemente, i computer sono diventati molto bravi a indovinare l'aspetto di queste squadre di proteine usando un tipo di intelligenza artificiale chiamata "modelli di diffusione". Pensate a questi modelli come a un artista magico capace di prendere uno schizzo sfocato e disordinato e trasformarlo in un quadro nitido e perfetto. Ma ecco l'inghippo: questi artisti sono stati addestrati solo su istantanee statiche o su singoli mattoncini che si muovono da soli. Non sanno come dipingere il film di due squadre separate che corrono l'una verso l'altra, danzano intorno e infine si abbracciano per diventare una singola macchina complessa. Senza questo "film", l'IA non può prevedere come nuove e sconosciute squadre si formeranno, il che lascia un enorme vuoto nella nostra capacità di progettare nuovi medicinali o comprendere la vita al suo livello più fondamentale.

Entra in scena DynaPPI, un enorme nuovo dataset progettato per insegnare all'IA come osservare e prevedere queste danze proteiche. I ricercatori dietro questo progetto hanno capito che, per correggere il punto cieco dell'IA, avevano bisogno di creare una biblioteca di "film" che mostrassero esattamente come le catene proteiche si muovono dal trovarsi lontane al trovarsi strettamente legate. Invece di limitarsi a guardare la stretta di mano finale, hanno simulato l'intero viaggio. Hanno preso squadre proteiche note, le hanno separate e poi hanno usato potenti simulazioni al computer per osservarle mentre vagano, collidono e si riassemblano nel tempo.

Il team ha creato un dataset contenente circa 10.000 di questi complessi proteici, coprendo diversi tipi di partnership come proteina-proteina, proteina-ligando (una proteina che incontra una piccola molecola di un farmaco) e proteina-acido nucleico (una proteina che incontra DNA o RNA). Per garantire che le simulazioni fossero realistiche, non si sono limitati a indovinare; hanno eseguito migliaia di dettagliati esperimenti al computer. Ogni esperimento tracciava il movimento degli atomi su periodi di tempo che vanno da 10 nanosecondi a 1 millisecondo. Anche se questo sembra breve, nel mondo degli atomi, è un'eternità: tempo sufficiente per vederli oscillare, ruotare e trovarsi l'un l'altro. Il dataset include oltre 100 miliardi di fotogrammi di dati, catturando ogni minimo cambiamento di posizione, velocità ed energia.

Ciò che rende speciale DynaPPI è che insegna esplicitamente all'IA il processo di legame. In passato, i modelli di IA erano come studenti che studiavano solo le risposte dell'esame finale. Ora, con DynaPPI, possono studiare il compito svolto passo dopo passo. Il dataset mostra all'IA come si comportano le proteine quando sono lontane, come cambiano forma quando si avvicinano e cosa appare nel "mezzo" prima che si incastrino. I ricercatori hanno simulato questi eventi prendendo strutture note, separando le catene e poi lasciandole libere in un oceano virtuale di acqua e sale per vedere se si sarebbero ritrovate. Hanno eseguito queste simulazioni più volte (repliche) per garantire che catturassero la casualità della natura, proprio come lanciare i dadi molte volte per vedere tutti i possibili risultati.

L'articolo suggerisce che, alimentando i modelli di diffusione con questi dati dinamici, l'IA può imparare a prevedere non solo la forma finale di un complesso proteico, ma l'intero percorso che porta a quella forma. Questo potrebbe cambiare le regole del gioco per la progettazione di farmaci. Immaginate di poter simulare come una nuova molecola di un farmaco darà la caccia a una proteina che causa una malattia, individuando tasche temporanee che si aprono solo durante la danza, invece di guardare solo la porta chiusa. Gli autori propongono che questo possa aiutare gli scienziati a progettare farmaci migliori, ingegnerizzare nuove macchine biologiche e persino prepararsi per future pandemie, comprendendo come i virus potrebbero interagire con le cellule umane.

Tuttavia, è importante notare che questa è una proposta e la costruzione di una risorsa, non un prodotto finito che ha già risolto ogni mistero. L'articolo delinea un piano per costruire questo dataset, descrivendo come selezioneranno le proteine, come puliranno i dati e come eseguiranno le simulazioni. Hanno stabilito obiettivi specifici, come garantire che i dati coprano una grande varietà di tipi di proteine e che le simulazioni siano abbastanza accurate da corrispondere agli esperimenti del mondo reale. Riconoscono anche che, sebbene possano simulare questi processi, la vera prova avverrà quando altri scienziati useranno questi dati per addestrare i propri modelli di IA e vedranno se tali modelli saranno in grado di prevedere con successo strutture che non sono mai state viste prima. Il dataset è progettato per essere aperto e accessibile, permettendo alla comunità scientifica globale di costruire su questa base e spingere i confini di ciò che l'IA può fare in biologia.