机器学习技术或揭示蛋白质动力学数据中因果关系

机器学习算法擅长发现大数据中的复杂模式，所以研究人员通常用它们来做预测。今天，科学家正在推动这项新兴技术超越发现相关性，帮助发现隐藏的因果关系，并推动科学发现。在南佛罗里达大学(USF)，研究人员将机器学习技术整合到他们的蛋白质研究工作中。正如他们在隶属于美国物理联合会出版集团的《化学物理学杂志》上报道的那样，他们面临的主要挑战之一是缺乏从分子动力学模拟获得的数据中识别因果关系的方法。

“蛋白质可以被视为执行一系列任务的纳米级机器。然而，蛋白质执行特定任务的时间和地点是由细胞通过各种刺激来控制的。USF生物物理学副教授萨梅尔·瓦尔马说，这些刺激与蛋白质相互作用，不断地打开或关闭它们，甚至改变它们的速度和强度。

在大多数蛋白质中，生物刺激对相对远离执行相应任务的区域的蛋白质位点具有相同的效果，这需要信号通路。“这种通过遥控打开蛋白质的方式被称为变构途径。但细节仍不清楚。”瓦尔马说。

他和他的同事认为机器学习方法可以发挥重要作用。“机器学习技术的发展和使用将使我们能够发现蛋白质动力学数据中的因果关系，并最终解决蛋白质变构效应中的一些非常基本的问题。”瓦尔马说，他们的一个重要发现是，在蛋白质的刺激部位激活的信号似乎随着远离该部位而减弱。这是令人震惊的，因为科学家以前没有观察到蛋白质位点之间热运动耦合的距离依赖性。

该团队的工作展示了一种使用机器学习方法来识别数据中因果关系的方法。此外，瓦尔马说，“这些数据也让我们能够填补蛋白质变构效应的关键空白。最后，当我们的方法被应用于许多具有药学意义的蛋白质时，我们期望发现更多的机械细节，以揭示新的干预策略来恢复疾病状态下的蛋白质活性”。(宗华)