Naukowcy wykorzystują uczenie maszynowe do opracowania otwieracza do puszek molekularnych

W dobie opieki medycznej, która coraz częściej stawia na bardziej ukierunkowane terapie lekowe, terapie indywidualne i skuteczniejsze, lekarze i naukowcy chcą mieć możliwość wprowadzania cząsteczek do układu biologicznego w celu podjęcia określonych działań.

Przykładami są terapia genowa i dostarczanie leków, które do powszechnego stosowania muszą być zarówno skuteczne, jak i niedrogie. Aby osiągnąć ten cel, trójka badaczy wykorzystała uczenie maszynowe do zaprojektowania sposobu usuwania cząsteczek z klatki molekularnej. Ich badanie jest opublikowany W Listy z przeglądu fizycznego.

W badaniu, którego głównym autorem jest Ryan K. Krueger z Uniwersytetu Harvarda, ale do którego każdy ze współautorów wniósł równy wkład, wykorzystuje się różniczkowalną dynamikę molekularną do projektowania złożonych reakcji w celu nakierowania systemu na określone wyniki.

Jako przykład podjęli się kontrolowanego demontażu struktur koloidalnych — w szczególności zaprojektowali cząsteczkę, która mogłaby usunąć cząstkę otoczoną i związaną kompletną powłoką lub „klatką” cząstek koloidalnych. (Koloidy to mieszaniny substancji, w których nanoskopowe lub mikroskopijne nierozpuszczalne cząstki są rozproszone w innej substancji. Przykładami są mleko, dym i żelatyna.)

Do optymalizacji projektu cząsteczki „otwierającej” skorupy, którą ze względu na jej geometrię nazywa się „pająkiem”, wykorzystano uczenie maszynowe. Jak napisali, „demontaż ma kluczowe znaczenie dla dynamicznych funkcji żywych systemów, takich jak naprawa defektów, samoreplikacja i kataliza”.

W szczególności zaprojektowali do kontrolowanego demontażu ikozaedrycznych powłok, zbieranie 12 cząstek z 30 zewnętrznymi krawędziami łączącymi cząstki powłoki. Ta konfiguracja jest bardzo podobna do białka kapsydy te wirusy domowe.

Cząstki powłoki są uważane za „niejednolite” – ich interakcje z innymi cząstkami powłoki i cząstką w klatce mają określone wartości parametrów, które określają kierunkowość i względną siłę interakcji. Wprowadzony w badaniach materiałów miękkich 20 lat temuniejednolitość oferuje wszechstronne możliwości dostrajania zaprojektowanych interakcji, osiągając określone zachowania, wspomagane przez niedawny rozwój symulacji cząstek niejednolitych w ramach różniczkowalnej biblioteki.

Niejednolitość może nawet zmieniać się na powierzchni niejednolitych cząstek; tutaj 12 pojedynczych cząstek powłoki. Celem był demontaż skorupy, co niosło ze sobą nieodłączne napięcie pomiędzy wykonaniem demontażu przy jednoczesnym zachowaniu integralności pozostałej konstrukcji nośnej.

Naukowcy założyli, że Potencjał Morse’a dla energii potencjalnej oddziałujących cząstek powłoki, często używanej jako a model interakcji między dwoma atomami w cząsteczce dwuatomowej i cząsteczce w klatce.

The Potencjał Morse’a jest prosty i ma trzy dowolne parametry, które można (i należy) dobierać w zależności od pożądanej sytuacji. Usunięcie cząstki w klatce wymaga usunięcia jednej z cząstek powłoki.

Na potrzeby analizy zespół założył, że obiektem usuwającym cząstkę powłoki jest sztywna struktura typu piramidy, która mieści się na szczycie gromady składającej się z 12 kul. Nazwali ten obiekt „pająkiem”. Składał się z pierścienia cząstek w kształcie pięciokąta, który tworzył podstawę piramidy, z pojedynczą „cząstką-głową” na szczycie piramidy.

W ich symulacji oddano i unieruchomiono ikozaedryczną muszlę, dzięki czemu pająk mógł swobodnie lądować na dowolnej cząstce powłoki i wchodzić z nią w interakcję.

Parametry plamy zostały dostrojone tak, aby pająk jako całość nie był przyciągany ani odpychany przez skupisko muszli, ale cząstka znajdująca się na szczycie piramidy była przyciągana do plam na cząstkach powłoki przez siłę, która mogła zmieniać się w zależności od odległości i wytrzymałość. Można również regulować wymiary pająka oraz promienie jego cząstek głowy i cząstek podstawowych.

Krueger i jego współpracownicy zastosowali dynamikę molekularną, standardową technikę, która oblicza ruch każdej cząstki na podstawie sił interakcji, jakich doświadcza ona z innymi cząstkami. Chcieli określić, które szczególne parametry pająka pozwolą na wyrwanie uwięzionej w klatce cząsteczki z muszli.

Wykonywanie tego na komputerze przy użyciu brutalnej siły — obliczanie wszystkich możliwych parametrów, cząstka po cząstce, aż do osiągnięcia pożądanego wyniku — wymagałoby zdecydowanie zbyt dużej mocy obliczeniowej i czasu. Dlatego grupa zwróciła się ku uczeniu maszynowemu, aby zminimalizować funkcję straty reprezentującą napięcie między demontażem a pozostałą integralnością podkonstrukcji.

W wyniku tego procesu udało się wyprodukować sztywny pająk, który mógł wykonać zadanie usuwania. Następnie pozwolili pająkowi na wygięcie się, wprowadzając nowy dowolny parametr reprezentujący „konfigurowalną entropię”.

Kiedy również zostało zoptymalizowane, energia wymagana do uwolnienia cząstki w klatce spadła. Odkryli, że pająk z asymetrycznie elastyczną podstawą odnóży potrzebował mniej energii, aby uwolnić uwięzioną w klatce cząstkę w porównaniu z pająkiem o symetrycznej, pięciokątnej podstawie, jak początkowo zakładano.

Zauważyli, że ich metodologia może mieć szerokie zastosowanie. „Ponieważ optymalizujemy bezpośrednio w odniesieniu do dynamiki zintegrowanej numerycznie, nasza metoda jest na tyle ogólna, że ​​pozwala na badanie szerokiej gamy systemów” – napisali.

„Przede wszystkim może umożliwić eksperymentalną realizację modeli teoretycznych, które w przeciwnym razie byłyby ograniczone przez niemożność precyzyjnego dostrojenia energii interakcji”.

© 2024 Sieć Science X