A Assistente Li Shu, o orientador de doutorandos Professor Coordenador He Shan e a sua equipa da Faculdade de Ciências Aplicadas da Universidade Politécnica de Macau (FCA-UPM), publicaram na revista académica internacional Nature Communications os resultados da investigação na área de Ciência Biomédica. A equipa conseguiu combinar os modelos moleculares de granulação grossa com as estruturas de aprendizagem de representação geométrica, de modo a obter uma previsão eficiente da natureza de compostos “proteína-proteína”. A investigação ajuda a compreender melhor a interacção entre as proteínas e a promover o desenvolvimento científico em áreas como a concepção de medicamentos e o tratamento de doenças.

Nos últimos anos, a tecnologia de aprendizagem profunda que simula dados através de estruturas neurais de vários níveis tem feito progressos significativos na previsão da natureza de compostos de “interacções proteínas-proteínas” (PPI). No entanto, os algoritmos existentes, na sua maioria, utilizam estruturas gráficas complexas PPI à escala atómica ou à escala de resíduos para os representar, o que reflecte certos desafios na captura de características geométricas de alto nível e na escalabilidade dos compostos. Em colaboração com a Universidade de Birmingham, no Reino Unido, a equipa de investigação da UPM apresentou uma estrutura de aprendizagem de representação geométrica denominada “MCGLPPI”, que combina os modelos moleculares de granulação grossa com a rede neuronal gráfica, permitindo prever com maior precisão e eficiência a natureza global dos compostos “proteína-proteína”, de forma a trazer amplas perspectivas de aplicação para a investigação na área biomédica.

A estrutura “MCGLPPI” combina, de forma hábil, a rede neural gráfica com um modelo de dinâmica molecular de granulação grossa (MARTINI), utilizado frequentemente para simular macromoléculas biológicas, podendo manter a precisão da previsão e reduzir o consumo de recursos de computação. Além disso, a estrutura “MCGLPPI” fornece uma solução para a previsão da natureza global da “PPI”, sendo possível tornar-se uma ferramenta importante para a análise da interacção entre as macromoléculas biológicas.  

Os resultados da investigação foram apresentados num artigo intitulado “Integration of molecular coarse-grained model into geometric representation learning framework for protein-protein complex property prediction” (Integração de modelo molecular de granulação grossa em estrutura de aprendizagem de representação geométrica para previsão da natureza de compostos “proteína-proteína”), na revista académica internacional Nature Communications. A revista Nature Communications pertence ao “Nature Publishing Group” e é uma revista académica de acesso aberto de confiança que abrange múltiplas disciplinas, com foco na publicação de resultados de investigação importantes nas áreas interdisciplinares como a biologia, a física, a química e a medicina. A revista está posicionada no 5.º lugar (com Percentile Rank: 94,4%) entre as revistas no âmbito “Abrangente Global” do SCIE, pertencendo ao primeiro quartil (Q1) da Academia Chinesa de Ciências e do Journal Citation Reports (JCR). Além disso, possui um factor de impacto de 14,7 no ano de 2023.

A presente investigação foi financiada pelo Projecto de Investigação da UPM (RP/FCA-07/2022). O texto completo está disponível em https://www.nature.com/articles/s41467-024-53583-w.