movimento proteine intelligenza artificiale ai

Un team di ricercatori dell’Università del Maryland ha utilizzato l’intelligenza artificiale per l’elaborazione del linguaggio naturale, applicandola ai movimenti delle molecole proteiche. In questo modo i ricercatori hanno creato un linguaggio astratto che descrive le molteplici forme che una molecola proteica può assumere e come e quando le proteine passano da una forma all’altra.

 

L’intelligenza artificiale applicata per la prima volta al movimento delle molecole

Spesso la forma e la struttura di una proteina ne determinano o comunque ne influenzano la funzione. Riuscire dunque a comprendere quali sono le dinamiche che controllano la forma di una proteina può portare alla comprensione del loro funzionamento o malfunzionamento in caso di malattie. Si potrebbero dunque creare delle terapie farmacologiche che siano in grado di intervenire sulla forma delle proteine in modo mirato.

Per la prima volta dunque, gli algoritmi dell’intelligenza artificiale (AI) vengono utilizzati per comprendere e codificare il linguaggio delle dinamiche biomolecolari delle proteine. Il successo di queste ricerche fa compiere un balzo in avanti non solo in campo biomedico, ma anche nel progresso dell’intelligenza artificiale.

L’autore senior dell’articolo pubblicato il 9 ottobre su Nature Comunications, Pratyush Tiwary, assistente professore presso il Dipartimento di Chimica e Biochimica dell’UMD, ha affermato che nello studio “mostriamo che le stesse architetture dell’AI utilizzate per completare le frasi quando si scrivono le e-mail, possono essere utilizzate per scoprire la lingua parlata dalle molecole della vita. Dimostriamo che il movimento di queste molecole può essere mappato in un linguaggio astratto e che le tecniche di intelligenza artificiale possono essere utilizzate per generare storie biologicamente veritiere dalle parole astratte ottenute”.

 

Le proteine si muovono troppo velocemente per i metodi tradizionali

Le proteine sono in costante movimento e la loro forma è determinata dal modo in cui le catene di amminoacidi sono piegate e attorcigliate su loro stesse. Possono rimanere in una data forma per secondi o giorni prima di aprirsi improvvisamente e ripiegarsi in una forma o struttura diversa.

Ma il passaggio da una forma all’altra avviene in picosecondi o anche più velocemente, il che rende difficile per metodi sperimentali come i microscopi ad alta potenza e la spettroscopia, catturare questi movimenti tanto veloci e stabilire quali parametri influenzano lo sviluppo e individuare tutte le possibili forme intermedie.

 

L’intelligenza artificiale prevede quello che non possiamo osservare

Ora il nuovo metodo di Tiwary può fornire le risposte a queste domande. Tiwary e il suo team hanno applicato le leggi del movimento di Newton per prevedere il movimento degli atomi all’interno di una molecola, con potenti supercomputer, tra cui il Deep Thought2 di UMD, hanno dunque sviluppato modelli di fisica statistica che simulano la forma, il movimento e la traiettoria delle singole molecole.

Successivamente questi modelli sono stati inseriti in un algoritmo di apprendimento automatico, come quello utilizzato da Gmail per completare automaticamente le frasi durante la digitazione. L’algoritmo ha affrontato le simulazioni come un linguaggio in cui ogni movimento molecolare forma una lettera che può essere unita ad altri movimenti per creare parole e frasi.

Imparando le regole della sintassi e della grammatica che determinano quali forme e movimenti si susseguono e quali no, l’algoritmo predice come la proteina si districa mentre cambia forma e la varietà di forme che assume lungo il percorso.

 

La validità del metodo dell’AI e il suo utilizzo in futuro

Per dimostrare la validità di questo metodo, i ricercatori lo hanno applicato ad una piccola biomolecola, chiamata riboswitch. La molecola è stata prima analizzata tramite analisi spettroscopica e poi con il metodo dell’AI. I risultati ottenuti che identificavano le varie forme che il riboswitch poteva assumere, corrispondevano ai risultati delle analisi spettroscopiche.

Inoltre questa ricerca ha portato all’acquisizione di una buona conoscenza del sistema di elaborazione del linguaggio utilizzato da Tiwary e dal suo team, che è generalmente chiamato rete neurale ricorrente, e in questo caso specifico una rete di memoria a breve termine. I ricercatori hanno analizzato la matematica alla base della rete dell’intelligenza artificiale, mentre questa apprendeva il linguaggio del movimento molecolare.

Hanno scoperto che la rete utilizzava un tipo di logica simile a un concetto importante della fisica statistica chiamato entropia del percorso. Questo potrebbe aiutare a migliorare le reti neuronali ricorrenti delle future intelligenze artificiali.

Come ha dunque dichiarato Tiwary, “è naturale chiedersi se ci sono principi fisici che governano il successo degli strumenti di intelligenza artificiale. Ora scopriamo che, in effetti, è perché l’AI è l’entropia del percorso di apprendimento. Ora che lo sappiamo, abbiamo più strumenti da mettere a punto per migliorare l’AI per la biologia e forse, ambiziosamente, persino migliorare l’AI stessa. Ogni volta che comprendi un sistema complesso come l’AI, ottieni nuovi strumenti per usarlo in modo più efficace e affidabile”.

Ph. Credit: Zachary Smith / UMD