Processos com el plegament d'una proteïna, els canvis de forma que activen o desactiven una molècula, o el pas d'una substància a través d'una membrana cel·lular són centrals per entendre com funciona la biologia, però són esdeveniments rars i fugaços: les simulacions de dinàmica molecular convencionals no duren prou temps per veure'ls, i els mètodes que forcen la simulació cap a aquests moments solen exigir escollir per endavant, de manera arbitrària, quines variables del sistema es consideren rellevants, la qual cosa pot esbiaixar el resultat.
Un equip liderat per Christophe Chipot, del CNRS i de la Universitat d'Illinois a Urbana-Champaign, amb Chenyu Tang, Mayank Prakash Pandey, Cheng Giuseppe Chen, Alberto Megías i François Dehez, ha publicat el 9 de setembre a Nature Gen-COMPAS, un mètode que combina un model generatiu de difusió —que proposa estats intermedis físicament plausibles entre dues configuracions d'una molècula— amb un filtre matemàtic basat en «committors» que identifica quins d'aquests estats corresponen realment a un punt de transició. A partir d'aquests punts, simulacions curtes i sense forçar convergeixen en qüestió de nanosegons cap a la trajectòria completa de la transició, allà on els mètodes convencionals necessiten ordres de magnitud més temps de càlcul. Els autors l'han provat en tres sistemes de referència de complexitat creixent —una miniproteïna, una proteïna d'unió a la ribosa i un transportador mitocondrial— i n'han pogut recuperar amb èxit els estats de transició i els paisatges d'energia lliure.
La notícia és rellevant perquè redueix dràsticament el cost computacional d'estudiar mecanismes biològics que fins ara requerien setmanes o mesos de càlcul en superordinadors, una via d'interès directe per a camps com el disseny de fàrmacs basat en l'estructura de les proteïnes, on entendre com s'obre i es tanca un lloc d'unió pot ser decisiu.
El mètode s'ha validat només en tres sistemes relativament ben caracteritzats, i encara no s'ha demostrat en proteïnes de mida més gran o en conjunts moleculars més complexos com les membranes cel·lulars senceres; en tractar-se d'un model generatiu entrenat amb dades, també queda per veure fins a quin punt els resultats es poden generalitzar a sistemes molt diferents dels que s'han fet servir per entrenar-lo, i la replicació per part d'altres grups de recerca encara està pendent.