Investigadores del Centro de Nanociencia de la Universidad de Jyväskylä (Finlandia) utilizaron aprendizaje automático y simulaciones de supercomputadoras para investigar cómo las diminutas nanopartículas de oro se unen a las proteínas sanguíneas. El estudio descubrió que se pueden predecir interacciones favorables entre nanopartículas y proteínas a partir de modelos de aprendizaje automático entrenados a partir de simulaciones de dinámica molecular a escala atómica. El nuevo enfoque abre formas de simular la eficacia de las nanopartículas de oro como sistemas de administración de fármacos dirigidos en nanomedicina de precisión.
Las nanoestructuras híbridas entre moléculas orgánicas y nanomateriales inorgánicos constituyen un campo de investigación en gran medida inexplorado, con potencial para aplicaciones novedosas en bioimagen, biodetección y nanomedicina. El desarrollo de tales aplicaciones depende fundamentalmente de la comprensión de las propiedades dinámicas de la interfaz nano-bio. Modelar las propiedades de la interfaz nano-bio es exigente porque procesos importantes como la transferencia electrónica de carga, reacciones químicas o reorganizaciones de la superficie de biomoléculas pueden ocurrir en una amplia gama de escalas de longitud y tiempo y es necesario llevar a cabo simulaciones atomísticas. En un ambiente acuático adecuado.
El aprendizaje automático ayuda a estudiar las interacciones a nivel atómico
Recientemente, investigadores de la Universidad de Jyväskylä han demostrado que es posible acelerar significativamente las simulaciones atomísticas de interacciones entre nanopartículas metálicas y proteínas sanguíneas. A partir de amplios datos de simulación de dinámica molecular de nanopartículas de oro, sistemas de proteínas en agua, se utilizó teoría de grafos y redes neuronales para desarrollar un método que podría predecir los sitios de unión más favorables en las nanopartículas para cinco proteínas comunes de la sangre humana (albúmina sérica, apolipoproteínas). . E, inmunoglobulina E, inmunoglobulina G y fibrinógeno). Los resultados del aprendizaje automático se han verificado con éxito mediante simulaciones atomísticas de larga duración.
– En los últimos meses, también publicamos un estudio computacional que demostró que es posible atacar selectivamente proteínas sobreexpresadas en la superficie de las células cancerosas mediante nanopartículas de oro funcionalizadas que transportan péptidos y medicamentos contra el cáncer, dice el profesor de Nanociencia Computacional Hannu Hakkinen. Con nuevos métodos de aprendizaje automático, ahora podemos ampliar nuestro trabajo para comprender cómo las nanopartículas portadoras de fármacos interactúan con las proteínas sanguíneas y cómo esas interacciones cambian la función de los portadores de fármacos, concluye Häkkinen.
La investigación continuará
Los resultados permitirán investigaciones adicionales para desarrollar nuevos métodos computacionales para la investigación de interacciones entre nanopartículas metálicas y biomoléculas.
“El aprendizaje automático es una herramienta muy útil a la hora de probar el uso de nanopartículas en aplicaciones de diagnóstico y terapia en el campo de la nanomedicina. Este será un objetivo importante de nuestro próximo proyecto “Nanoclusters dinámicos – Interfaces de biomoléculas” apoyado por el Consejo Europeo de Investigación. “dijo Häkkinen.
El trabajo fue publicado en dos artículos en las revistas internacionales: Advanced Materials y Bioconjugate Chemistry. La investigación contó con el apoyo del programa de financiación EuroHPC del Consejo de Investigación de Finlandia. Los recursos computacionales fueron proporcionados por los proyectos finlandeses del Gran Desafío BIOINT y NanoGaC en las supercomputadoras LUMI y Mahti, respectivamente, alojadas en el Centro Finlandés de Supercomputación CSC.