Cómo ver la forma de una molécula en un microscopio exprés
El microscopio de efecto túnel explora una molécula con una aguja finísima y dibuja su relieve. Pero la imagen es plana, mientras que la molécula es tridimensional. ¿Cómo adivinar la postura de una persona a partir de su sombra en la pared? Los científicos han construido un "traductor de sombras a volumen": una red neuronal que reconstruye la forma tridimensional de una molécula a partir de su huella.
Primero, la red se entrenó con millones de imágenes sintéticas. La computadora calculaba cómo se vería la molécula bajo el microscopio si estuviera orientada de una u otra manera. Luego se le mostraba una imagen real, y la red proponía la postura más probable. Para el péptido bradicinina, el error fue inferior a dos angstroms, es decir, diez veces más delgado que un cabello humano.
El método también se probó en azúcares, los glicanos. Estos son más flexibles que las proteínas, por lo que el error fue un poco mayor: hasta cuatro angstroms. Pero incluso así, la computadora encontró correctamente la posición de los anillos y los enlaces. Esto ya no es solo una imagen bonita, sino una herramienta de trabajo para químicos y biólogos.
Ahora, determinar la estructura de una molécula toma minutos, no semanas. Se puede verificar más rápido cómo un fármaco se acopla a su diana o cómo una mutación cambia la forma de una proteína. La sombra en la pared ha empezado a hablar.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2603.07706
Improving the detailed understanding of the underlying properties and functions of biomolecules has recently attracted growing interest, enabled by the possibility of real-space imaging of single, intact macromolecules using Scanning Tunneling Microscopy (STM) in combination with electrospray ion beam deposition and soft landing. This combination provides key insights into biomolecular behavior, but it also imposes stringent requirements on rapid and reliable data analysis. A major limiting factor for applying machine learning to STM images is often the scarcity of training data, caused by the long acquisition times required for both experimental imaging and high-accuracy simulations. Here, we propose a framework for the rapid generation of three-dimensional structures of glycans, peptides, and glycopeptides and their corresponding STM-like image simulations, based on state-of-the-art, machine-learning-accelerated Density Functional Theory (DFT). We generate datasets for the polypeptide bradykinin and for a representative glycan molecule, and we train a conformer estimation model to predict a molecule's three-dimensional structure from an STM image. On synthetic data, our approach achieves high accuracy, with median atomic deviations below $$2\,\AA{}$$ for peptides and below $$4\,\AA{}$$ for glycans. Application to experimental data predominantly yields a precise, reliable, and visually convincing determination of the local positions of molecular subunits. The application to experimental data represents an important milestone towards a fully automated structural search pipeline for complex, biologically relevant systems imaged with STM.
Un angstrom es una diezmilmillonésima parte de un metro. El diámetro de un átomo de hidrógeno es de aproximadamente un angstrom.
En la serie "Star Trek", el tricorder médico determinaba la composición de una sustancia en segundos. Nuestro método es un pequeño paso hacia un escáner de ese tipo.