Machine learning en supercomputersimulaties voorspellen interacties tussen gouden nanodeeltjes en bloedeiwitten

Onderzoekers van het Nanoscience Center van de Universiteit van Jyväskylä, Finland, hebben machinaal leren en supercomputersimulaties gebruikt om te onderzoeken hoe kleine gouden nanodeeltjes zich binden aan bloedeiwitten. Uit de onderzoeken is gebleken dat gunstige interacties tussen nanodeeltjes en eiwitten kunnen worden voorspeld op basis van machine learning-modellen die zijn getraind op basis van simulaties van moleculaire dynamica op atomaire schaal. De nieuwe methodologie opent manieren om de werkzaamheid van gouden nanodeeltjes te simuleren als gerichte medicijnafgiftesystemen in precisie-nanogeneeskunde.

Hybride nanostructuren tussen biomoleculen en anorganische nanomaterialen vormen een grotendeels onontgonnen onderzoeksgebied, met het potentieel voor nieuwe toepassingen in bioimaging, biosensoren en nanogeneeskunde. Het ontwikkelen van dergelijke toepassingen is in belangrijke mate afhankelijk van het begrijpen van de dynamische eigenschappen van de nano-bio-interface.

Het modelleren van de eigenschappen van de nano-bio-interface is veeleisend, omdat de belangrijke processen zoals elektronische ladingsoverdracht, chemische reacties of herstructurering van het biomolecuuloppervlak kunnen plaatsvinden op een breed scala aan lengte- en tijdschalen, en de atomistische simulaties moeten worden uitgevoerd. in het juiste waterige milieu.

Machine learning helpt interacties op atomair niveau te bestuderen

Onlangs hebben onderzoekers van de Universiteit van Jyväskylä aangetoond dat het mogelijk is om atomistische simulaties van interacties tussen metalen nanodeeltjes en bloedeiwitten aanzienlijk te versnellen.

Gebaseerd op uitgebreide moleculaire dynamica-simulatiegegevens van gouden nanodeeltjes-eiwitsystemen in water, werden grafentheorie en neurale netwerken gebruikt om een ​​methodologie te creëren die de gunstigste bindingsplaatsen van de nanodeeltjes aan vijf veel voorkomende menselijke bloedeiwitten (serumalbumine, apolipoproteïne E) kan voorspellen. , immunoglobuline E, immunoglobuline G en fibrinogeen). De machine learning-resultaten werden met succes gevalideerd door atomistische simulaties op lange termijn.

“De afgelopen maanden hebben we ook een computationeel onderzoek gepubliceerd waaruit bleek dat het mogelijk is om selectief tot overexpressie gebrachte eiwitten op het oppervlak van een kankercel te richten door gefunctionaliseerde gouden nanodeeltjes die peptiden en kankermedicijnen dragen, zegt hoogleraar computationele nanowetenschappen”, zegt Hannu Häkkinen.

“Met de nieuwe machine learning-methodologie kunnen we ons werk nu uitbreiden om te onderzoeken hoe medicijndragende nanodeeltjes interageren met bloedeiwitten en hoe die interacties de werkzaamheid van de medicijndragers veranderen.”

Het onderzoek zal worden voortgezet

De resultaten zullen aanvullend onderzoek mogelijk maken om nieuwe computationele methoden te ontwikkelen voor onderzoek naar de interactie tussen metalen nanodeeltjes en biomoleculen.

“Machine learning is een zeer nuttig hulpmiddel bij het onderzoeken van het gebruik van nanodeeltjes in diagnostiek en therapietoepassingen op het gebied van nanogeneeskunde. Dit zal een van de belangrijkste doelen zijn in ons volgende project ‘Dynamic Nanocluster – Biomolecule Interfaces'”, verheugt Häkkinen.

Het werk werd gepubliceerd in twee artikelen in de tijdschriften Geavanceerde materialen En Bioconjugaatchemie.

De computerbronnen werden geleverd door de Finse Grand Challenge Projects BIOINT en NanoGaC in respectievelijk LUMI- en Mahti-supercomputers, gehost in het Finse supercomputercentrum CSC.