AlphaFold-RandomWalk y AlphaFold-Ensemble: Muestreo de Conformaciones Proteicas Alternativas con Versiones...

Área de la Ciencia:

• Biología Estructural
• Biología Computacional
• Biofísica

Sus antecedentes:

• La diversidad conformacional de las proteínas es crucial para la función biológica.
• Los métodos de aprendizaje automático (ML), como AlphaFold, pueden predecir estructuras de proteínas.
• La capacidad de ML para generar de forma independiente diversas conformaciones de proteínas aún está bajo investigación.

Objetivo del estudio:

• Desarrollar nuevos métodos basados en ML para generar diversas conformaciones de proteínas.
• Crear una tubería computacional que integre ML con simulaciones de dinámica molecular (MD).
• Evaluar la utilidad de las conformaciones generadas por ML para explorar la heterogeneidad conformacional de las proteínas.

Principales métodos:

• Desarrollo de AlphaFold-RandomWalk (AF-RW) añadiendo ruido a los pesos del modelo.
• Desarrollo de AlphaFold-Ensemble (AF-Ensemble) ajustando los conjuntos de modelos.
• Integración en una tubería multietapa que siembra simulaciones de MD sin sesgos a partir de conformaciones de ML.

Principales resultados:

• AF-RW aumentó significativamente la diversidad conformacional en comparación con los métodos convencionales.
• La tubería generó conformaciones alternativas biológicamente significativas para diez proteínas.
• Las simulaciones de conformaciones generadas por ML aproximaron los paisajes de energía libre para K-Ras y la proteína de unión a ribosa.

Conclusiones:

• Los métodos de ML pueden generar eficazmente diversas conformaciones de proteínas.
• La combinación de diversas conformaciones predichas por ML con simulaciones de MD investiga eficientemente la heterogeneidad conformacional de las proteínas.
• Este enfoque proporciona una herramienta poderosa para estudiar la dinámica y la función de las proteínas.