Emulación escalable de conjuntos de equilibrio de proteínas con aprendizaje profundo generativo

Área de la Ciencia:

• Biología computacional
• Biología estructural
• La biofísica

Sus antecedentes:

• Predecir los cambios en la estructura de las proteínas es crucial pero desafiante.
• Los métodos existentes luchan por capturar la dinámica funcional a escala.

Objetivo del estudio:

• Introducir BioEmu, un sistema de aprendizaje profundo para emular conjuntos de equilibrio de proteínas.
• Permitir la predicción escalable de los cambios en la estructura de las proteínas funcionalmente relevantes.

Principales métodos:

• BioEmu integra simulaciones de dinámica molecular, estructuras estáticas y datos de estabilidad experimentales.
• Los nuevos algoritmos de entrenamiento permiten la generación rápida de miles de estructuras de proteínas por hora en una GPU.
• Modelos conjuntos estructurales y propiedades termodinámicas.

Principales resultados:

• BioEmu captura diversos movimientos funcionales como la formación de bolsillos crípticos y los reordenamientos de dominio.
• Predice las energías libres relativas con una precisión de 1 kcal/mol en comparación con los datos de MD y experimentales.
• Capacidad de simulación a escala de milisegundos.

Conclusiones:

• BioEmu proporciona información mecanicista sobre la función de las proteínas mediante el modelado de conjuntos y termodinámica.
• Amortiza los costos de la MD y la generación de datos experimentales.
• Ofrece un enfoque escalable para la comprensión y el diseño de la función proteica.