Simulación de proteínas con aprendizaje automático
Un nuevo estudio abre, entre otras, posibilidades de aplicación al descubrimiento de fármacos en medicina
Un equipo internacional dirigido por la profesora Cecilia Clementi del Departamento de Física de la Universidad Libre de Berlín presenta un gran avance en la simulación de proteínas. El estudio, publicado en el número del 18 de julio de 2025 de la revista Nature Chemistry, presenta CGSchNet, un modelo de grano grueso (CG) aprendido por máquina que puede simular proteínas de forma precisa y eficiente como nunca antes. CGSchNet, que funciona mucho más rápido que la dinámica molecular tradicional de todos los átomos, permite explorar proteínas de mayor tamaño y sistemas complejos, lo que ofrece aplicaciones potenciales en el descubrimiento de fármacos y la ingeniería de proteínas que, por ejemplo, podrían hacer avanzar los métodos de tratamiento del cáncer.
El desarrollo de un modelo CG general capaz de captar el plegamiento y la dinámica de las proteínas ha sido un reto persistente para los científicos en los últimos cincuenta años. "Este trabajo es el primero en demostrar que el aprendizaje profundo puede superar esta barrera y conducir a un sistema de simulación que se aproxima a las simulaciones de proteínas de todos los átomos sin modelar explícitamente el disolvente o los detalles atómicos", afirma Cecilia Clementi.
En CGSchNet, el equipo de Clementi entrenó una red neuronal de grafos para aprender las interacciones efectivas entre las partículas de la simulación gruesa de proteínas para reproducir la dinámica de un conjunto diverso de miles de simulaciones totalmente atómicas. A diferencia de las herramientas de predicción de estructuras, CGSchNet modela el proceso dinámico, incluidos estados intermedios relevantes en procesos de mal plegamiento como la formación de amiloides, que son agregados proteicos patológicos que aparecen en casos de enfermedad de Alzheimer, por ejemplo. El modelo también simula las transiciones entre estados plegados -clave para la función proteica- y se generaliza a proteínas fuera de su conjunto de entrenamiento, demostrando una fuerte transferibilidad química. Además, predice con precisión estados metaestables de proteínas plegadas, desplegadas y desordenadas, que constituyen la mayoría de las proteínas biológicamente activas. En el pasado, estas predicciones eran extremadamente difíciles debido a la flexibilidad de estas proteínas. El modelo también es capaz de estimar las energías libres de plegamiento relativas de mutantes proteínicos, algo que los métodos de simulación anteriores no podían lograr por limitaciones computacionales.
La profesora Cecilia Clementi es biofísica teórica y computacional. Anteriormente realizó investigaciones como Einstein Visiting Fellow en los Centros de Investigación Colaborativa "Investigación de Membranas - Mecanismos Moleculares y Funciones Celulares" y "Cascadas de Escalas en Sistemas Complejos" en la Freie Universität de Berlín. También es la primera científica contratada permanentemente para trabajar en Berlín tras su apoyo como Einstein Visiting Fellow. Antes de trasladarse a Berlín en 2020, Clementi fue profesora de química y física en la Universidad Rice de Houston (Texas). Su papel en la Freie Universität le permite reforzar la investigación en biofísica teórica y asistida por ordenador en Berlín y tender un puente entre la biofísica experimental y las matemáticas aplicadas.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Charron, N.E., Bonneau, K., Pasos-Trejo, A.S. et al. Navigating protein landscapes with a machine-learned transferable coarse-grained model. Nat. Chem. (2025).
Más noticias del departamento ciencias
