Scoperta nella simulazione delle proteine: i ricercatori di Berlino rivoluzionano il metodo!

Scoperta nella simulazione delle proteine: i ricercatori di Berlino rivoluzionano il metodo!

Il 18 luglio 2025, un gruppo di ricerca internazionale guidato dalla Prof. Dott.ssa Cecilia Clementi dell'Università Libera Università di Berlino un articolo innovativo sulla rivistaChimica della natura, che sta suscitando scalpore nel mondo scientifico. L'articolo presenta un nuovo modello che consente una simulazione precisa ed efficiente delle proteine, significativamente più veloce rispetto alle simulazioni di dinamica molecolare convenzionali.

La sfida di rappresentare realisticamente il ripiegamento e la dinamica delle proteine ​​esiste da oltre 50 anni. I ricercatori hanno utilizzato l’apprendimento profondo per sviluppare un sistema che si avvicina alle simulazioni di proteine ​​composte da tutti gli atomi. Il modello appena sviluppato, CGSchNet, utilizza una rete neurale a grafo per apprendere interazioni efficaci tra le particelle. Questi approcci innovativi aprono promettenti applicazioni nello sviluppo di farmaci e terapie anticorpali per il cancro e altre malattie.

Progressi nella simulazione delle proteine

Il modello si concentra sul processo di ripiegamento dinamico delle proteine, compresi gli stati intermedi che svolgono un ruolo nei ripiegamenti errati, come gli amiloidi. Simula le transizioni tra stati piegati che sono cruciali per la funzione delle proteine. Un progresso significativo di questo modello è la capacità di prevedere con precisione gli stati di lunga vita delle proteine ​​piegate, spiegate e disordinate.

Una delle caratteristiche più notevoli del modello CGSchNet è la capacità di prevedere la stabilità relativa dei mutanti proteici ripiegati, cosa che i metodi precedenti non sono stati in grado di ottenere. La Prof.ssa Cecilia Clementi, già docente di chimica e fisica alla Rice University di Houston, Texas, sta rafforzando la ricerca in biofisica teorica e computazionale presso la Libera Università di Berlino. Il loro lavoro è sostenuto dalle Einstein Professorships, che sostengono le università di Berlino e la Charité nelle trattative per la nomina o la residenza.

Dati e modelli in dettaglio

Lo studio ha utilizzato set di dati completi. Il set di dati di riferimento contiene 1.262 target e copre un'ampia gamma di strutture proteiche, comprese 717 proteine ​​a dominio singolo, 257 target appena pubblicati e 288 target da CASP 8–14. Questi set di dati sono stati preparati per rimuovere le ridondanze e regolare l'identità della sequenza su un limite inferiore al 30%.

Il set di dati Human Protome comprende 20.595 proteine ​​e consente l'analisi differenziata di proteine ​​a dominio singolo e multidominio. Di queste, sono state previste 19.512 proteine, il che è potenzialmente di grande importanza per la previsione della struttura. Inoltre, nella ricerca è stata integrata la pipeline D-I-TASSER, che utilizza un approccio ibrido alla previsione della struttura dei proteoni.

Questa pipeline esegue tutte le fasi, dalla generazione profonda di MSA all'identificazione del modello di threading fino al perfezionamento strutturale e alla valutazione del modello. L'uso di algoritmi e tecnologie all'avanguardia come DeepPotential e AttentionPotential illustra il carattere innovativo del lavoro.

I risultati dello studio sono trasferibili a una varietà di proteine ​​al di fuori del set di dati di training specifico, il che sottolinea la rilevanza del modello per la ricerca biochimica. L'applicazione dei metodi sviluppati nello studio potrebbe avere implicazioni di vasta portata per il futuro della ricerca sulle proteine ​​e dello sviluppo di farmaci. Ulteriori informazioni sono disponibili nella pubblicazione dettagliata Natura trovare.