Genom att tillämpa bearbetningsverktyg för naturligt språk på proteinmolekylernas rörelser, Forskare vid University of Maryland skapade ett abstrakt språk som beskriver de flera former som en proteinmolekyl kan anta och hur och när det övergår från en form till en annan.

En proteinmolekyls funktion bestäms ofta av dess form och struktur, så att förstå dynamiken som styr form och struktur kan öppna en dörr för att förstå allt från hur ett protein fungerar till orsakerna till sjukdomar och det bästa sättet att designa riktade läkemedelsbehandlingar. Detta är första gången en maskininlärningsalgoritm har tillämpats på biomolekylär dynamik på detta sätt, och metodens framgång ger insikter som också kan hjälpa till att främja artificiell intelligens (AI). En forskningsartikel om detta arbete publicerades den 9 oktober, 2020, i tidningen Naturkommunikation .

"Här visar vi samma AI -arkitekturer som används för att slutföra meningar när du skriver e -postmeddelanden kan användas för att avslöja ett språk som talas av livets molekyler, "sa tidningens seniorförfattare, Pratyush Tiwary, en biträdande professor vid UMD:s institution för kemi och biokemi och Institute for Physical Science and Technology. "Vi visar att rörelsen av dessa molekyler kan kartläggas till ett abstrakt språk, och att AI -tekniker kan användas för att generera biologiskt sanningsenliga berättelser utifrån de resulterande abstrakta orden. "

Biologiska molekyler rör sig ständigt, jigglar runt i sin miljö. Deras form bestäms av hur de viks och vrids. De kan förbli i en given form i sekunder eller dagar innan de plötsligt springer upp och återvänder till en annan form eller struktur. Övergången från en form till en annan sker ungefär som sträckningen av en trasslig spole som öppnas i etapper. När olika delar av spolen släpps och utvecklas, molekylen antar olika mellanliggande konformationer.

Men övergången från en form till en annan sker i picosekunder (biljondelar av en sekund) eller snabbare, vilket gör det svårt för experimentella metoder som kraftfulla mikroskop och spektroskopi att fånga exakt hur utvecklingen sker, vilka parametrar som påverkar utvecklingen och vilka olika former som är möjliga. Svaren på dessa frågor utgör den biologiska historien som Tiwarys nya metod kan avslöja.

Tiwary och hans team tillämpade Newtons rörelselagar - som kan förutsäga atomernas rörelse inom en molekyl - med kraftfulla superdatorer, inklusive UMD's Deepthought2, att utveckla statistiska fysikmodeller som simulerar formen, rörelse och bana för enskilda molekyler.

Sedan matade de in dessa modeller i en algoritm för maskininlärning, som den som Gmail använder för att automatiskt slutföra meningar medan du skriver. Algoritmen närmade sig simuleringarna som ett språk där varje molekylär rörelse bildar en bokstav som kan bindas ihop med andra rörelser för att skapa ord och meningar. Genom att lära sig syntax- och grammatikreglerna som avgör vilka former och rörelser som följer varandra och vilka som inte gör det, algoritmen förutspår hur proteinet trasslar sig när det ändrar form och olika former det tar under vägen.

För att visa att deras metod fungerar, laget applicerade det på en liten biomolekyl som heter riboswitch, som tidigare analyserats med hjälp av spektroskopi. Resultaten, som avslöjade de olika formerna som riboswitch kunde ta när den sträcktes, matchade resultaten från spektroskopistudierna.

"En av de viktigaste användningsområdena för detta, Jag hoppas, är att utveckla läkemedel som är mycket riktade, "Tiwary sa." Du vill ha kraftfulla läkemedel som binder mycket starkt, men bara till det du vill att de ska binda till. Vi kan uppnå det om vi kan förstå de olika formerna som en given biomolekyl av intresse kan anta, eftersom vi kan tillverka läkemedel som bara binder till en av dessa specifika former vid rätt tidpunkt och bara så länge vi vill. "

En lika viktig del av denna forskning är kunskapen om språkbehandlingssystemet Tiwary och hans team använde, som i allmänhet kallas ett återkommande neuralt nätverk, och i detta specifika fall ett långtidskortsminnesnätverk. Forskarna analyserade matematiken som låg till grund för nätverket när det lärde sig molekylär rörelsens språk. De fann att nätverket använde en slags logik som liknade ett viktigt koncept från statistisk fysik som kallas path entropy. Att förstå detta öppnar möjligheter för att förbättra återkommande neurala nätverk i framtiden.

"Det är naturligt att fråga om det finns styrande fysiska principer som gör AI -verktyg framgångsrika, "Sa Tiwary." Här upptäcker vi det, verkligen, det är för att AI är inlärningsväg entropi. Nu när vi vet detta, det öppnar upp fler vred och växlar vi kan ställa in för att göra bättre AI för biologi och kanske, ambitiöst, till och med förbättra AI själv. När som helst du förstår ett komplext system som AI, det blir mindre av en svart låda och ger dig nya verktyg för att använda den mer effektivt och pålitligt. "