Les intel·ligències artificials que preveuen l'estructura d'una proteïna, com AlphaFold, en donen una sola forma, una mena de fotografia fixa. Però les proteïnes es belluguen, i aquests moviments expliquen com funcionen i per què fallen en algunes malalties. Per saber-ho, fins ara calien simulacions de dinàmica molecular que poden costar setmanes o mesos en superordinadors.
El grup de Diwakar Shukla, a la Universitat d'Illinois Urbana-Champaign, ha publicat ESMDynamic, un model d'aprenentatge profund que parteix només de la seqüència d'aminoàcids. Prediu quins parells d'aminoàcids, llunyans en la seqüència però propers en l'estructura en 3D, canvien de contacte, amb quina freqüència i amb quina rapidesa, a una escala de nanosegons. Segons la universitat, el treball surt a la revista «Nature Communications»; el mateix equip en va fer públic un preprint a bioRxiv. En proves de referència amb simulacions, el model iguala o millora diversos mètodes de capçalera i és molt més ràpid; també detecta moviment en casos difícils, com els transportadors d'aminoàcids humans. Shukla afirma que han cartografiat les parts mòbils de més de 18.000 proteïnes humanes en menys de dos dies.
La rellevància és de mètode: si es pot saber ràpidament quines zones d'una proteïna es mouen, els experimentadors poden triar millor quines han d'estudiar, per exemple en proteïnes relacionades amb el càncer o amb malalties genètiques. El grup ha deixat públiques les dades i els pesos del model amb llicència oberta.
Els mateixos autors en marquen els límits: l'eina és millor amb moviments ràpids i locals, com canvis petits de contacte, i menys fiable amb proteïnes molt desordenades o amb canvis lents i de gran escala. Els seus resultats serveixen de guia per a experiments o simulacions posteriors, no de substitut. La xifra de les 18.000 proteïnes és una afirmació de l'equip i aquí no s'ha pogut consultar l'article complet.