DynMoCo: un nuevo marco de IA para revelar subestructuras proteicas modulares a partir de dinámicas moleculares

Área de la Ciencia:

• Biofísica
• Biología Computacional
• Biología Estructural

Sus antecedentes:

• La función de las proteínas está intrínsecamente ligada a sus cambios estructurales dinámicos.
• Las estructuras proteicas estáticas ofrecen información mecánica limitada.
• Las simulaciones de dinámica molecular (MD) proporcionan detalles atomísticos pero generan datos complejos y de alta dimensionalidad.
• Los métodos de análisis tradicionales a menudo pasan por alto los movimientos proteicos localizados y críticamente funcionales.

Objetivo del estudio:

• Desarrollar un nuevo marco de aprendizaje profundo, DynMoCo, para analizar la dinámica de las proteínas a partir de simulaciones de MD.
• Identificar y rastrear comunidades dinámicas de residuos o átomos que exhiben movimiento coherente o acoplamiento funcional.
• Proporcionar un método interpretable para comprender la dinámica de sistemas biomoleculares complejos.

Principales métodos:

• DynMoCo integra redes convolucionales de grafos y modelos recurrentes para la detección de comunidades dinámicas de extremo a extremo en grafos moleculares.
• Las proteínas se modelan como grafos que evolucionan en el tiempo, lo que permite la detección de comunidades inspirada en la ciencia de las redes sociales.
• El marco identifica subestructuras espacialmente ancladas y rastrea su evolución temporal, incorporando el conocimiento estructural para una significación física.

Principales resultados:

• DynMoCo identifica con éxito subestructuras modulares dentro de dominios proteicos durante las simulaciones.
• El método caracteriza los reordenamientos conformacionales en respuesta a fuerzas externas, demostrado en sistemas de integrina.
• El análisis de datos de MD se transforma en representaciones interpretables de la dinámica modular.

Conclusiones:

• Las proteínas funcionan a través de movimientos dinámicos y coordinados localmente que son difíciles de analizar a partir de datos de MD.
• DynMoCo ofrece un nuevo enfoque de aprendizaje profundo para identificar y rastrear comunidades dinámicas funcionalmente relevantes en proteínas.
• Esta herramienta mejora el descubrimiento de información mecanicista sobre cómo los movimientos moleculares impulsan las funciones biológicas.