Avance en la simulación de proteínas: ¡los investigadores de Berlín revolucionan el método!

Avance en la simulación de proteínas: ¡los investigadores de Berlín revolucionan el método!

El 18 de julio de 2025, un equipo de investigación internacional dirigido por la Prof. Dra. Cecilia Clementi del Universidad Libre de Berlín un artículo innovador en la revistaQuímica de la naturaleza, que está causando revuelo en el mundo científico. El artículo presenta un nuevo modelo que permite una simulación precisa y eficiente de proteínas, significativamente más rápido que las simulaciones de dinámica molecular convencionales.

El desafío de representar de manera realista el plegamiento y la dinámica de las proteínas existe desde hace más de 50 años. Los investigadores utilizaron el aprendizaje profundo para desarrollar un sistema que se aproxima a las simulaciones de proteínas de todos los átomos. El modelo recientemente desarrollado, CGSchNet, utiliza una red neuronal gráfica para aprender interacciones efectivas entre partículas. Estos enfoques innovadores abren aplicaciones prometedoras en el desarrollo de fármacos y terapias con anticuerpos para el cáncer y otras enfermedades.

Avances en la simulación de proteínas

El modelo se centra en el proceso de plegamiento dinámico de las proteínas, incluidos los estados intermedios que desempeñan un papel en los plegamientos incorrectos, como los amiloides. Simula transiciones entre estados plegados que son cruciales para la función de las proteínas. Un avance significativo de este modelo es la capacidad de predecir con precisión estados de larga duración de proteínas plegadas, desplegadas y desordenadas.

Una de las características más notables del modelo CGSchNet es la capacidad de predecir la estabilidad relativa de los mutantes de proteínas plegadas, algo que los métodos anteriores no habían podido lograr. La Prof. Dra. Cecilia Clementi, que anteriormente fue profesora de química y física en la Universidad Rice en Houston, Texas, está fortaleciendo la investigación en biofísica teórica y computacional en la Universidad Libre de Berlín. Su trabajo cuenta con el apoyo de las Cátedras Einstein, que apoyan a las universidades de Berlín y a la Charité en las negociaciones de nombramiento o residencia.

Datos y modelos en detalle

El estudio utilizó conjuntos de datos completos. El conjunto de datos de referencia contiene 1262 objetivos y cubre una amplia gama de estructuras de proteínas, incluidas 717 proteínas de dominio único, 257 objetivos recientemente publicados y 288 objetivos de CASP 8-14. Estos conjuntos de datos se prepararon para eliminar redundancias y ajustar la identidad de secuencia a un límite de <30%.

El conjunto de datos de Human Protome incluye 20.595 proteínas y permite el análisis diferenciado de proteínas de dominio único y multidominio. De ellas, se predijeron 19.512 proteínas, lo que es potencialmente de gran importancia para la predicción de estructuras. Además, se integró en la investigación el sistema D-I-TASSER, que utiliza un enfoque híbrido para la predicción de la estructura de proteínas.

Este proceso realiza todos los pasos, desde la generación profunda de MSA hasta la identificación de plantillas de subprocesos, el refinamiento estructural y la evaluación del modelo. El uso de algoritmos y tecnologías de última generación como DeepPotential y AttentionPotential ilustra la naturaleza innovadora del trabajo.

Los resultados del estudio son transferibles a una variedad de proteínas fuera del conjunto de datos de entrenamiento específico, lo que subraya la relevancia del modelo para la investigación bioquímica. La aplicación de los métodos desarrollados en el estudio podría tener implicaciones de gran alcance para el futuro de la investigación de proteínas y el desarrollo de fármacos. Más información está disponible en la publicación detallada. Naturaleza para encontrar.