Un cadru generativ bazat pe IA creează modele atomice complete ale proteinelor în mișcare
În descoperirea medicamentelor și anticorpilor, o atenție deosebită este acordată proteinelor complexe, ce se află în membranele celulare. Atunci când moleculele unui candidat la medicament se leagă de aceste proteine, precum o cheie într-o încuietoare, ele declanșează cascade chimice care modifică comportamentul celular. Prin urmare, înțelegerea felului în care proteinele se pliază și se mișcă este esențială pentru dezvoltarea medicamentelor care interacționează eficient cu țintele lor.
Inteligența artificială (IA) se dovedește a fi un instrument valoros pentru generarea de structuri proteice noi, însă majoritatea sistemelor, inclusiv AlphaFold de la Google DeepMind, se concentrează pe crearea de „instantanee” statice ale proteinelor. Micile rearranjări ale atomilor în structuri numite lanțuri laterale, ce influențează interacțiunile unei proteine cu alte molecule, nu sunt surprinse. Acum, cercetători de la Școala de Științe ale Vieții de la EPFL au colaborat cu experți în procesarea datelor de la Școala de Inginerie pentru a rezolva această problemă. O echipă condusă de Patrick Barth și Pierre Vandergheynst a dezvoltat un cadru generativ bazat pe IA, numit Latent Diffusion for Full Protein Generation (LD-FPG), care produce ansambluri complete de structuri atomice ale proteinelor și mișcările acestora.
„Proteinele sunt precum mașini minuscule care dansează și se activează sau dezactivează pentru a funcționa, dar generarea acestui „film” în detaliu complet a fost o provocare nerezolvată”, afirmă cercetătorul Aditya Sengar. „Cadrele noastre LD-FPG sunt primele care reușesc acest lucru. În loc să prezică coordonatele exacte ale atomilor în spațiu, modelul nostru învață o hartă de dimensiuni reduse a schimbărilor de formă ale proteinei. Această schimbare conceptuală este ceea ce face posibilă generarea dinamicii complete la nivel atomic.”
Noul cadru poate genera în mod notabil întreaga gamă de mișcare pentru ținte complexe de medicamente, cum ar fi receptorii cuplați cu proteine G (GPCR), un sector de interes major în industria globală de dezvoltare a medicamentelor.
„LD-FPG deschide calea către proiectarea de noi medicamente care vizează comportamentul dinamic al unei proteine, nu doar forma acesteia. Munca noastră reprezintă un nou paradigmă în biologia computațională și un pas semnificativ înainte la interfața dintre IA și biologia structurală”, subliniază Barth. Lucrarea a fost publicată în Proceedings of NeurIPS 2025.
Capturarea dansului unei proteine
Deoarece sisteme precum AlphaFold utilizează IA pentru a prezice poziția spațială a fiecărui atom dintr-o proteină, acestea necesită cantități imense de putere de calcul, precum și expertiză în biologie și informatică. LD-FPG simplifică această problemă folosind o rețea neuronală grafică (GNN). GNN tratează fiecare proteină ca pe un grafic matematic, unde atomii reprezintă „noduri”, iar legăturile dintre aceștia reprezintă „muchii”. Folosind această reprezentare de nivel scăzut, aceasta comprimă practic datele structurale ale proteinelor într-o hartă simplificată sau latentă.
Ulterior, un model de IA studiază această hartă și „învață” reprezentările structurii și mișcărilor proteinei. Odată antrenat, modelul generează date latente pentru structuri complet noi. În final, aceste date simplificate sunt convertite înapoi în proteine de înaltă rezoluție – complete cu lanțuri laterale și mișcări dinamice.
Într-un experiment, echipa a generat reprezentări dinamice de înaltă fidelitate ale receptorului D2 pentru dopamină atât în stările sale active, cât și inactive. Această proteină detectează neurotransmițătorul dopamină și controlează răspunsurile celulare cheie, făcând-o unul dintre cei mai studiați GPCR. Cercetătorii au publicat acest set de date cu acces deschis pentru a facilita cercetări ulterioare.
„Pe lângă îmbunătățirea înțelegerii biologice, credem că munca noastră va ajuta la îmbunătățirea proceselor de screening virtual pentru proteine, care în prezent implică multă încercare și eroare, accelerând astfel descoperirea de medicamente”, afirmă Sengar.
Pe viitor, echipa își propune să optimizeze cadrul de IA pentru o acuratețe și realism mai mari și să îi permită modelarea unor proteine mai mari. Totuși, Vandergheynst subliniază că datele de calitate înaltă vor rămâne fundamentul succesului: „Mulți presupun că alimentarea modelelor de IA cu seturi mari de date va rezolva automat problemele științifice sau va înlocui cercetătorii. Cu toate acestea, multe dintre aceste date sunt zgomotoase sau slab evaluate. Avem nevoie de oameni de știință care să producă date curate și benchmark-uri riguroase de care IA are nevoie, la fel cum avem nevoie de jurnaliști pentru a proteja împotriva dezinformării.”
