Impacto de las simulaciones atomísticas de dinámica molecular en el estudio del plegamiento de proteínas: la perspectiva del científico experimental

William A. Eaton y Victor MuñozWilliam A. Eaton es NIH Distinguished Investigator y Jefe del Laboratorio de Física Química del National Institute of Diabetes and Digestive and Kidney Diseases, National Institutes of Health, Bethesda, MD 20892, EE.UU. Victor Muñoz es Profesor de Investigación en el Centro Nacional de Biotecnología del Consejo Superior de Investigaciones Científicas (CSIC), Cantoblanco, Madrid 28049, España.

Introducción editorial

El plegamiento de proteínas, o cómo resolver la segunda parte del código genético

Las proteínas son las biomoléculas a cargo de la inmensa mayoría de las funciones y procesos biológicos vitales para el mantenimiento de la actividad celular, labores que incluyen: 1) la transformación de energía en formas aprovechables para la célula, 2) la transmisión y recepción de señales entre células y tejidos, 3) la replicación y mantenimiento de la información genética, 4) los procesos de transformación química del metabolismo, 5) el andamiaje estructural mecánico que soporta la forma y movimiento celular, 6) los procesos de transporte entre orgánulos que tienen lugar dentro de la célula y, 7) los mecanismos de defensa contra infecciones y enfermedades.

Para llevar a cabo todas estas labores las proteínas funcionan como auténticas nanomáquinas moleculares que explotan los mecanismos de reconocimiento biomolecular y movimiento conformacional a partir de su capacidad única para autoensamblarse en complejas estructuras tridimensionales específicas.

Esta capacidad de cada proteína de ensamblarse en una estructura tridimensional única y funcional es lo que se conoce como plegamiento de proteínas, un proceso que viene dictado por la secuencia de aminoácidos que forma su cadena polipeptídica, la cual a su vez viene determinada por la información codificada en el gen correspondiente. Mientras que el código genético que determina la traducción de la información escrita en el ADN con cuatro tipos de letra (A, G, C y T), y organizada en grupos o palabras de tres (codones), en secuencias de proteínas compuestas de veinte tipos distintos de aminoácidos se conoce desde los años sesenta, la comprensión de la segunda parte de este código por la cual la información lineal de la secuencia de aminoácidos se transforma en una estructura tridimensional y una función biológica está todavía lejos de alcanzar ese nivel. Recabar ese conocimiento supone un gran reto dado que es esta segunda parte del código genético la que nos permitiría leer en profundidad la información escrita en los genomas, así como el desarrollar una ingeniería biomolecular avanzada en la que fuera posible diseñar a la carta secuencias de proteínas con funciones biológicas nuevas o mejoradas. Es así mismo un conocimiento de gran relevancia biomédica dado que un gran número de enfermedades degenerativas de creciente impacto socioeconómico en los países avanzados, como son entre otras el Alzheimer, el Parkinson y la corea de Huntington, parecen ser causadas por defectos en el plegamiento de proteínas que las lleva a formar estructuras aberrantes de carácter tóxico para la célula.

Dada la importancia fundamental del plegamiento de proteínas no puede menos que sorprender al neófito que hoy por hoy, y a pesar de los denodados esfuerzos de investigación durante más de cuatro décadas, siga siendo este un problema no resuelto. Esto se debe en gran medida a que el plegamiento de proteínas, que es de una complejidad tremenda a nivel microscópico, aparece a los ojos del observador como un proceso sibilinamente directo y sencillo que dificulta su análisis a fondo.

Por un lado, la determinación experimental de estructuras de proteínas mediante técnicas de difracción de rayos X, resonancia magnética nuclear y microscopía electrónica nos ha revelado un increíble universo de ricos patrones estructurales que parecen tener capacidad infinita de adaptarse a las necesidades funcionales de las proteínas. Estos patrones estructurales están organizados de una manera jerárquica en la que la cadena polipeptídica se ordena en elementos de estructura secundaria como son las hélices alfa y las láminas beta, que se entrelazan entre sí para dar lugar a patrones tridimensionales terciarios que a su vez se ensamblan unos con otros para dar lugar a las nanomáquinas funcionales. Lo más sorprendente sea quizás que mientras que cada proteína se pliega en una sola estructura que es marginalmente estable y susceptible de ser desarbolada por cambios de secuencia mínimos como son las mutaciones puntuales, cada patrón estructural incluye un amplio catálogo de secuencias de proteína que se pliegan en la misma estructura a pesar de diferir en gran medida en sus propiedades químicas. Esto sugiere que el código subyacente es complejo y específico a la vez que degenerado y redundante. Por otro lado, desde los experimentos pioneros de Anfinsen, a finales de la década de los sesenta, sabemos que las proteínas se pliegan, despliegan y repliegan espontáneamente, lo cual demostró que toda la información estaba contenida en la propia naturaleza química de la secuencia proteínica. Pero para mayor sorpresa, los experimentos sugerían que el proceso de plegamiento no sólo era espontáneo, sino que se asemejaba a un proceso de tipo todo-o-nada, es decir un proceso en el que todas las partes de la proteína actuaban concertadamente de tal manera que era prácticamente imposible resolver los estadios del proceso mediante técnicas experimentales.

Sin embargo, la propia naturaleza espontánea del proceso indicaba que la estructura tridimensional funcional correspondía después de todo al estado termodinámicamente más estable entre el número astronómicamente grande de posibles conformaciones que una cadena polipeptídica puede adoptar dada la gran flexibilidad que aporta su carácter polimérico. El descubrimiento de Anfinsen también indicó por lo tanto que se podía abordar el problema utilizando métodos computacionales como los descritos en el artículo principal, dado que se podía reformular como un proceso de cálculo de optimización consistente en la búsqueda de aquella conformación proteínica que correspondiese al mínimo global de energía libre. Siguiendo el trabajo pionero de Levitt y Warshel se fue desarrollando durante décadas un esfuerzo extensivo para producir los métodos de cálculo y los procedimientos de validación que pudiesen dar lugar a una solución computacional al problema del plegamiento de proteínas. Este empeño fue transcurriendo de una manera paralela e independiente al esfuerzo experimental dado que los métodos de cálculo solo permitían simular escalas de tiempo insuficientes para determinar si eran capaces de predecir el proceso de plegamiento y los experimentos carecían de la resolución temporal necesaria para estudiar aquellas proteínas capaces de plegarse más rápidamente y por lo tanto de una manera más eficiente.

Gracias a los desarrollos tecnológicos de la última década ha sido posible por primera vez solapar las escalas temporales de experimentos y simulaciones, lo cual ha permitido compararlos directamente y vislumbrar por fin el principio de la solución a la segunda parte del código genético, tal y como se describe en detalle en el artículo principal.

Víctor Muñoz, Profesor de Investigación en el Centro Nacional de Biotecnología del CSIC.

Emilio Muñoz, Editor de la Sección. Instituto de Filosofía, CCHS, CSIC.




Impacto de las simulaciones atomísticas de dinámica molecular en el estudio del plegamiento de proteínas: la perspectiva del científico experimental
 
Uno de los grandes desafíos de la ciencia biofísica moderna es comprender cómo una cadena polipeptídica se auto ensambla, a partir de la infinita variedad de configuraciones de su estado desplegado, en una única estructura proteínica biológicamente funcional. En otras palabras: comprender cómo se pliega una proteína. No se trata únicamente de una pregunta de interés para la ciencia física fundamental, pues las investigaciones de la última década han mostrado su relevancia biológica y médica al señalar que el plegamiento aberrante o incorrecto favorece la agregación y que muchas enfermedades humanas son causadas por la agregación de proteínas (1). Las simulaciones de Dinámica Molecular (DM) han sido tanto un estímulo primario como un contribuyente principal a los avances en la investigación del plegamiento de proteínas. Ciertamente, la concesión del premio Nobel de química 2013 a Martin Karplus, Michael Levitt y Arieh Warshell, todos ellos pioneros en el campo de la DM de proteínas, rinde testimonio del gran impacto que estas simulaciones han ejercido sobre este campo y sobre el de la ciencia de proteínas en general.

Hasta hace tan sólo diez años se consideraba imposible el poder emplear cálculos de DM para plegar un polipéptido en su estructura correcta a partir de una conformación aleatoria y completamente desplegada. No obstante, gracias a importantes avances tecnológicos, ya sea a través de la computación distribuida (2) o, más recientemente, el uso de computadores especialmente diseñados para el cálculo de DM atomística (3) se han conseguido tremendos avances, consiguiéndose con éxito plegar muchas proteínas a nivel de detalle atómico (véase la excelente revisión de R.B. Best (4) (Figura 1).

Figura 1
Figura 1. Representación esquemática de los cinco pasos generales involucrados en la realización de simulaciones de dinámica molecular de plegamiento de proteínas. El paso 1 consiste en la definición de un campo de fuerza de mecánica molecular para calcular la energía potencial de la proteína en función de las coordenadas atómicas. El campo de fuerza aquí mostrado se corresponde al campo originariamente desarrollado por Levitt y Warshel (figura reproducida con permiso de M. Levitt, Nat. Struct. Biol. 2001, 8: 392-393). En la fase 2 se define una caja de simulación que contiene las posiciones en el espacio de todos los átomos contenidos en la proteína (coordenadas atómicas) así como el número de moléculas de solvente (agua) requeridas para rellenar la caja hasta alcanzar una densidad del solvente apropiada. El paso 3 consiste en la integración numérica de las ecuaciones de movimiento de Newton definidas por las posiciones, fuerzas (obtenidas de la derivada de la energía potencial) y velocidades de todos los átomos presentes en la caja de simulación. Los algoritmos para llevar a cabo tal integración numérica requieren calcular las nuevas posiciones de los muchos miles de átomos contenidos en la caja de simulación en intervalos de tiempo extremadamente breves (aproximadamente cada 10-15 segundos), una tarea computacional de gran exigencia. La imagen que aquí mostramos corresponde al computador llamado Anton, especialmente desarrollado por D.E. Shaw Research para realizar simulaciones eficientes de DM. Los pasos 4 y 5 corresponden al análisis e interpretación molecular de los terabytes de datos generados durante la simulación.

No sólo se predicen con precisión las velocidades del plegamiento de proteínas; en muchos casos, los mecanismos predichos concuerdan notablemente con los resultados experimentales. En consecuencia, las simulaciones actuales pueden emplearse en la actualidad para comprobar críticamente tanto conceptos teóricos como aproximaciones de modelos teóricos específicos. La importancia de las simulaciones atomísticas no puede ser exagerada: consiguiendo largas trayectorias que contengan un número estadísticamente significativo de transiciones entre estados plegados y desplegados, o, alternativamente, un gran número de breves trayectorias que muestreen adecuadamente todas las configuraciones relevantes, podríamos, en principio, saber todo cuanto quisiéramos sobre cómo se pliega una proteína específica. No obstante, no es suficiente con obtener simulaciones que sean precisas; es también fundamental el ser capaz de extraer toda la información importante y de interés de ellas, lo cual es un problema nada trivial.

En este artículo presentamos un breve relato histórico de cómo la DM atomística ha influido en nuestra comprensión del plegamiento de proteínas, visto bajo la perspectiva de dos investigadores que llevan trabajando en este campo más de 20 años. Dado el pequeño espacio disponible, confinaremos nuestro relato a sólo algunos de los ejemplos más importantes. Inicialmente, debemos señalar que el plegamiento de una proteína en una computadora fue llevado a cabo por vez primera por Levitt y Warshel por medio de una combinación de procedimientos de cálculo por minimización de energía y termalización y utilizando una representación estructuralmente simplificada de una proteína (5). Su modelo de proteína representaba los muchos átomos contenidos en cada aminoácido de la cadena polipeptídica con tan sólo dos centros, uno para la parte del esqueleto proteico y otro para la cadena lateral. Este tipo de modelo en el que la estructura proteínica es sólo descrita a un nivel de baja resolución (de grano grueso) fue más tarde refinado y extensivamente empleado en simulaciones de plegamiento que nos han proporcionado numerosos descubrimientos (6-8). De hecho, las simulaciones con modelos de grano grueso, de las cuales Levitt y Warshell (5) fueron pioneros, son con frecuencia más que suficientes para diseñar e interpretar experimentos y para comprobar modelos teóricos. Otro indicativo del impacto de los trabajos de nuestros tres premios Nobel es que la función energética básica empleada en los cálculos de DM de la actualidad (véase Figura 1) es casi idéntica a la que Karplus, Levitt y Warshell empleaban ya hace varias décadas (9, 10).

Trasfondo histórico. Una de las áreas de investigación biofísica experimental más activas durante los años 70 y 80 del pasado siglo fue el estudio de la cinética en el intervalo desde picosegundos a microsegundos de los procesos de unión de ligandos y los cambios de configuración asociados en la hemoglobina y en la mioglobina por medio de espectroscopia resuelta en el tiempo utilizando láseres con pulsos de luz de cientos de femtosegundos. Las primeras simulaciones de la DM de tales experimentos fueron llevadas a cabo después de dos estancias veraniegas de dos meses de duración, realizadas por Michael Levitt en el Laboratorio de Física química del NIH, en 1981 y en 1982 (11). Estos primeros trabajos hicieron comprender a los investigadores que simular la cinética ultrarrápida por medio de DM podría ser una nueva y útil herramienta para guiar el diseño e interpretación de experimentos (12). Pero hasta la conferencia sobre “Procesos rápidos en la dinámica de plegamiento de proteínas” organizada por C.L. Brooks y R.M. Levy en San Juan, Puerto Rico, en marzo de 1992, había entre la comunidad de investigadores de la cinética rápida escaso interés en el problema del plegamiento de proteínas. En aquella ocasión se invitó a numerosos científicos que estaban empleando métodos de cinética rápida por medio de láseres, en la esperanza de que se interesasen en el problema del plegamiento de proteínas. En aquel tiempo, calcular una trayectoria de DM de 10 nanosegundos para una pequeña proteína rodeada de unas capas de moléculas de agua se consideraba un cálculo enorme. Pero existía la esperanza de que los investigadores experimentalistas pudieran estudiar procesos fundamentales como la transición hélice-ovillo, los cuales pudieran superponerse en sus tiempos de plegamiento, al menos en un futuro próximo, con las escalas de tiempo de simulación que eran accesibles en aquella época. R.B. Dyer, W.A. Eaton, R.M. Hochstrasser, y D.S. Kliger mordieron el anzuelo. El primer experimento exitoso fue llevado a cabo por Jones y cols (13) quien empleó la fotodisociación del complejo de monóxido de carbono del citocromo c para provocar ópticamente la reacción de plegamiento con pulsos láser de diez nanosegundos: un aumento en resolución de tiempo 100.000 veces superior respecto a la técnica de flujo interrumpido que se empleaba entonces para estudiar el plegamiento de proteínas. Dichos experimentos dieron origen a la inauguración del denominado campo del plegamiento rápido, como una apuesta para dar respuesta a la interesante cuestión de la existencia de un límite máximo a la velocidad de plegamiento proteínico (14); algo análogo a lo que las velocidades de difusión límite de von Smoluchowski supusieron para las reacciones químicas en fase acuosa.
 
El impacto de la DM sobre los experimentos. El interés en los DM del plegamiento generado por el congreso de Puerto Rico y por los experimentos de Jones y cols (13) llevó, a mediados de los noventa, a varios laboratorios a desarrollar un método más genérico para inducir ópticamente el plegamiento de proteínas. Entre estos, los laboratorios de Dyer, Eaton, Gruebele, Hochstrasser y Woodruff, seguidos poco después por los de Gai y Muñoz, construyeron instrumentos de saltos de temperatura (T-JUMP) inducidos por láser con resolución de nanosegundos o superior que proporcionaban una mejora de 2-4 órdenes de magnitud sobre la resolución temporal del clásico método de calentamiento por resistencia eléctrica de Eigen. Durante estos primeros estudios, el sistema más importante que fue investigado por medio de dispositivos T-JUMP inducidos por láser fue el péptido de 16 residuos que formaba la horquilla-β del extremo carboxilo terminal de la proteína GB1 (15), el cual, al contrario que la mayoría de los fragmentos proteicos, mantiene su estructura cuando se la separa de la proteína. Debido a que se pliega en apenas unos pocos microsegundos, y que muchas de las propiedades del plegamiento de proteínas completas ya aparecen en el estudio de esta horquilla –colapso hidrofóbico, formación de enlaces de hidrógeno, formación de giros- esta se convirtió en el banco de pruebas de los estudios de DM.

La técnica de saltos de temperatura inducidos por láser ha llegado a convertirse en el método cinético más empleado en estudios de plegamiento rápido (16), lo cual ha resultado en el descubrimiento de numerosas proteínas pequeñas que se pliegan a escalas temporales que pronto llegarían a ser accesibles para las simulaciones de DM (17). La noción de un “límite de velocidad” para el plegamiento de proteínas (14, 18) estimuló a los bioquímicos a hallar proteínas que se plegasen más rápido y a modificar sus secuencias para acelerar su plegamiento aún más con el fin de aproximarse a las escalas temporales de DM. Las mejoras simultáneas en capacidad computacional consiguieron finalmente cubrir la distancia temporal, permitiendo así comparaciones directas entre simulaciones y experimentos que son mucho más detalladas que el limitarse simplemente a comparar velocidades de plegamiento. Con el paso del tiempo, la relación entre simulaciones de DM y experimento se está haciendo más y más simbiótica, con muchos ejemplos de estudios en los que se comparan cuidadosamente los resultados de ambos enfoques (4). Los científicos experimentales se benefician de tales comparaciones, pues hay mucha más información sobre los mecanismos moleculares en las simulaciones que la que nunca pueda extraerse de los experimentos. Esta información sobre mecanismos guía a los científicos experimentales en la interpretación de sus resultados y en el diseño de nuevos experimentos. Por otro lado, los simuladores también se benefician porque ahora tienen acceso a un corpus cada vez mayor de datos experimentales con el que evaluar y mejorar las funciones de energía empleadas en sus simulaciones (19).

Un ejemplo de la estrecha interacción que está teniendo lugar entre simulaciones de DM y experimentos puede hallarse en los análisis con resolución atómica del desplegamiento en equilibrio de proteínas rápidas. Estos experimentos realizados con métodos de resonancia magnética nuclear (RMN) en varias proteínas de plegamiento rápido han revelado que estos procesos, los cuales parecen ser simples y cooperativos a baja resolución, se convierten en reacciones estructuralmente muy complejas cuando son examinadas a resolución atómica (20). Dichas observaciones proporcionan una tremenda cantidad de información atómica en relación a la red de interacciones moleculares que determina el proceso de plegamiento y la estabilidad la proteína bajo estudio (21). La mejora metodológica que conlleva la obtención de largas trayectorias de DM, de la mano del grupo de David E. Shaw (22), ha permitido realizar simulaciones de dichos experimentos que reproducen las observaciones originales y confirman su interpretación en términos de mecanismos de plegamiento. La sinergia de combinar experimentos de equilibrio de resolución atómica y de DM surge así como una poderosa herramienta para investigar mecanismos de plegamiento.

El impacto de las DM sobre la teoría.
Tal vez la aplicación más importante de las DM ha sido poner a prueba conceptos universales de la teoría del plegamiento de proteínas, así como suposiciones y aproximaciones de modelos teóricos. Uno de tales conceptos es que, para sorpresa de muchos, la cinética y la dinámica del plegamiento en simulaciones puede ser descrita con precisión como un proceso de difusión sobre una superficie unidimensional de energía libre calculada utilizando como coordenada de reacción un parámetro de orden sencillo como sería el número de residuos plegados en su conformación nativa (23) o el número de contactos inter-residuo coincidentes con los presentes en la estructura nativa de la proteína (Q) (24). Asimismo, muy recientemente se ha demostrado que Q es una coordenada de reacción cuasi ideal para el plegamiento en simulaciones de DM (22, 25), lo cual valida su empleo en la comparación de experimentos con modelos teóricos.

Una segunda predicción teórica puesta a prueba por las simulaciones de DM es el concepto de paisaje de energía en forma de embudo de Wolynes y Onuchic, que postula que tan sólo es necesario considerar explícitamente aquellas interacciones que aparecen en la estructura nativa plegada (26). El concepto de paisaje de energía en forma de embudo asume que los contactos entre residuos presentes en la estructura plegada son por lo general más fuertes que los contactos entre tipos de residuos idénticos que no están presentes en la estructura plegada. Este concepto está basado en la noción de que las secuencias proteínicas evolucionadas minimizan las interacciones no nativas fuertes para evitar trampas de plegamiento incorrecto, que es más probable que acaben causando agregación e incluso enfermedades (1). Es decir la predicción que subyace de esta idea es que los contactos no nativos no juegan tampoco un papel significativo en el mecanismo. Si los contactos no-nativos realmente participasen en el mecanismo, sería una señal de frustración, la cual puede deberse, por ejemplo, a la necesidad evolutiva de mantener esos residuos para la función biológica de la proteína a pesar de su contribución negativa al proceso de plegamiento (27). Ciertamente, el análisis detallado de las simulaciones de Shaw no muestra un papel de relevancia para los contactos no nativos durante el trayecto de transición de plegamiento (25), el proceso de superación de la barrera de energía que separa los estados nativo y desplegado y que contiene toda la información del mecanismo de plegamiento para aquellas proteínas que se pliegan siguiendo un modelo de dos estados. Experimentalmente, las proteínas con plegamiento de tipo dos estados tan sólo muestran dos poblaciones de moléculas, plegadas y desplegadas, tanto en experimentos de equilibrio como en experimentos cinéticos.

El modelo teórico de mayor éxito para explicar una amplia gama de experimentos y que es capaz de producir trayectorias para la comparación directa con simulaciones de DM es un modelo similar al de Ising, que toma dos asunciones principales: la existencia de un paisaje de energía en forma de embudo, según la cual sólo se consideran explícitamente interacciones nativas, y la aproximación de doble secuencia, en la cual la estructura native crece a partir de no más de dos regiones de la secuencia (28, 29). Esta última asunción también es validada por las simulaciones de Shaw (29). Asimismo, las trayectorias cinéticas estocásticas obtenidas a partir  del modelo tipo Ising para las distribuciones de los trayectos de transición de plegamiento del subdominio de la Villina, proteína que se ha convertido en la referencia general para simulaciones DM de plegamiento, son también notoriamente similares a las observadas en las simulaciones de DM (29). Las simulaciones y el modelo teórico muestran que para las 3 hélices se observan todos los 6 posibles mecanismos a nivel de orden de formación de hélice, exponiendo claramente la heterogeneidad de las rutas de plegamiento a nivel microscópico, lo cual es una consecuencia natural de un paisaje de energía en forma de embudo. No obstante, deberán llevarse a cabo otras muchas comparativas antes de poder llegar a conclusiones generales sobre la semejanza de la distribución de mecanismos predicha por el modelo teórico y por las simulaciones.

Otro interesante e importante resultado de las simulaciones de DM de Shaw es que pone fin a una prolongada controversia entre dos grupos experimentales en relación a la existencia de un modelo de plegamiento sin barrera de energía libre en proteínas pequeñas de muy rápido plegamiento (30, 31). Dado que a medida que una proteína se pliega se produce un intercambio entre la formación de interacciones no covalentes (estabilizadoras pero débiles) y la pérdida de entropía conformacional producto de ordenar a la proteína en su estructura nativa, Wolynes y colaboradores predijeron que las barreras de energía libre que separan los estados plegado y desplegado pueden ser extremadamente bajas e incluso desaparecer dando lugar a un escenario denominado “plegamiento sin barreras de energía libre” (downhill folding) (32). A partir de una combinación de criterios experimentales termodinámicos (30) y cinéticos, (33) las proteínas con plegamiento rápido parecían, efectivamente mostrar barreras de energía muy baja, y se propuso que algunas de ellas, las denominadas “proteínas de estado único”, carecen de barrera en contrapartida a aquellas que se pliegan más lentamente siguiendo un proceso tipo dos estados (34). El cálculo de las superficies de energía libre a partir de las simulaciones realizadas en este tipo de proteínas revelaba una coincidencia general en la baja magnitud de las barreras de energía libre obtenidas a partir las simulaciones y estimadas experimentalmente; y además para aquellas proteínas que se han propuesto experimentalmente como poseedoras de un plegamiento sin barrera, las simulaciones mostraban a su vez superficies de energía libre que son efectivamente de estado único (22, 25) (Figura 2), zanjando de una manera casi definitiva esta prolongada controversia.

Figura 2
Figura 2. Ejemplos de los resultados obtenidos por D. E. Shaw y colaboradores al simular varias proteínas de plegamiento rápido durante tiempos lo suficientemente largos –centenares de microsegundos- como para observar múltiples sucesos de plegamiento y desplegamiento de cada una de las proteínas simuladas. Dichas simulaciones de DM de larga duración incluyendo el solvente explícitamente han permitido calcular la energía libre en función de un parámetro de orden (en este caso el parámetro de orden Q), y de esa manera han confirmado que las proteínas de plegamiento rápido atraviesan barreras de energía libre bajas (del orden de 2 a 4 kBT; dos ejemplos superiores), o plegarse de una manera completamente downhill (plegamiento de estado único; dos ejemplos inferiores). Para cada proteína la figura muestra la estructura nativa experimental obtenida del archivo del “Protein Data Bank” (en rojo), una estructura nativa representativa obtenida a partir de la simulación (azul), y la superficie de energía libre unidimensional en función de Q en la que la escala vertical aparece indicada en unidades kBT. También están indicados el tiempo total de simulación, la desviación de la media cuadrática entre las estructuras nativas experimentales y simuladas y el tiempo de plegamiento experimental para cada proteína.  

Observaciones finales: en este breve panorama no hemos dado sino unas pequeñas pinceladas del papel central que las simulaciones atomísticas de DM han jugado tanto en la experimentación como en la teoría del plegamiento proteínico. La capacidad de obtener tanta información estructural como aportan las simulaciones de DM está obligando a los científicos a pensar de forma diferente. Los mecanismos moleculares son hoy día propiedades que tan sólo pueden ser observadas en detalle a partir de simulaciones de DM. Por tanto, una misión principal para nosotros, científicos experimentales, es el desarrollo de nuevos tipos de experimentos que comprueben y validen de forma crítica los resultados de las simulaciones y las predicciones de los modelos teóricos. Uno de tales experimentos, que todavía se halla en su infancia, es obtener información sobre la distribución de los trayectos de transición de plegamiento a partir de medidas de fluorescencia de moléculas individuales (35, 36). Esperamos por lo tanto con gran interés un futuro cercano con el desarrollo de nuevos tipos de experimentos y la sinergia entre teoría, simulaciones y experimentos.

Notas
1. F. Chiti, C. M. Dobson, in Ann. Rev. Biochem. (2006), vol. 75, pp. 333-366.
2. C. D. Snow, N. Nguyen, V. S. Pande, M. Gruebele, Absolute comparison of simulated and experimental protein-folding dynamics. Nature 420, 102-106 (2002).
3. D. E. Shaw, M. M. Deneroff, R. O. Dror, J. S. Kuskin, R. H. Larson, J. K. Salmon, C. Young, B. Batson, K. J. Bowers, J. C. Chao, M. P. Eastwood, J. Gagliardo, J. P. Grossman, C. R. Ho, D. J. Ierardi, I. Kolossvary, J. L. Klepeis, T. Layman, C. McLeavey, M. A. Moraes, R. Mueller, E. C. Priest, Y. B. Shan, J. Spengler, M. Theobald, B. Towles, S. C. Wang, Anton, a special-purpose machine for molecular dynamics simulation. Communications of the Acm 51, 91-97 (2008).
4. R. B. Best, Atomistic molecular simulations of protein folding. Curr. Opin. Struct. Biol. 22, 52-61 (2012).
5. M. Levitt, A. Warshel, Computer simulations of protein folding. Nature 253, 694-698 (1975).
6. R. D. Hills, C. L. Brooks, Insights from coarse-grained Go models for protein folding and dynamics. Int. J. Mol. Sci. 10, 889-905 (2009).
7. M. Oliveberg, P. G. Wolynes, The experimental survey of protein-folding energy landscapes. Quart. Rev. Biophys. 38, 245-288 (2005).
8. D. Thirumalai, E. P. O'Brien, G. Morrison, C. Hyeon, Theoretical perspectives on protein folding. Ann. Rev. Biophys. 39, 159-183 (2010).
9. M. Levitt, S. Lifson, Refinement of protein conformations using a macromolecular energy minimization procedure. J. Mol. Biol. 46, 269-& (1969).
10. B. R. Gelin, M. Karplus, Side chain torional potentials and motion of amino acids in proteins - bovine pancreatic trypsin inhibitor. Proc. Natl. Acad. Sci. USA 72, 2002-2006 (1975).
11. E. R. Henry, M. Leviit, W. A. Eaton, Molecular dynamics simulation of the photodissocation of carbon monoxide from hemoglobin. Peroc. Natl. Acad. Sci USA 82, (1985).
12. E. R. Henry, W. A. Eaton, R. M. Hochstrasser, Molecular dynamics simulation of cooling in laser-excited heme proteins. Proc. Natl. Acad. Sci. USA 83, (1986).
13. C. M. Jones, E. R. Henry, Y. Hu, C. K. Chan, S. D. Luck, A. Buhyan, H. Roder, J. Hofrichter, W. A. Eaton, Fast events in protein folding initiated by nanosecond laser photolysis. Proc. Natl. Acad. Sci. 90, (1993).
14. S. J. Hagen, J. Hofrichter, A. Szabo, W. A. Eaton, Diffusion-limited contact formation in unfolded cytochrome c: Estimating the maximum rate of protein folding. Proc. Natl. Acad. Sci. USA 93, 11615-11617 (1996).
15. V. Muñoz, P. A. Thompson, J. Hofrichter, W. A. Eaton, Folding dynamics and mechanism of beta-hairpin formation. Nature 390, 196-199 (1997).
16. W. A. Eaton, V. Muñoz, S. J. Hagen, G. S. Jas, L. J. Lapidus, E. R. Henry, J. Hofrichter, Fast kinetics and mechanisms in protein folding. Ann. Rev. Biophys. Biomolec. Struct. 29, 327-359 (2000).
17. V. Muñoz, Conformational dynamics and ensembles in protein folding. Annu. Rev. Biophys. Biomol. Struct. 36, 395-412 (2007).
18. J. Kubelka, J. Hofrichter, W. A. Eaton, The protein folding 'speed limit'. Curr. Opin. Struct. Biol. 14, 76-88 (2004).
19. M. B. Prigozhin, M. Gruebele, Microsecond folding experiments and simulations: a match is made. Phys. Chem. Chem. Phys. 15, 3372-3388 (2013).
20. M. Sadqi, D. Fushman, V. Muñoz, Atom-by-atom analysis of global downhill protein folding. Nature 442, 317-321 (2006).
21. L. Sborgi, A. Verma, M. Sadqi, E. de Alba, V. Munoz, Protein folding at atomic resolution: analysis of autonomously folding supersecondary structure motifs by nuclear magnetic resonance. Methods Mol Biol 932, 205-218 (2013).
22. K. Lindorff-Larsen, S. Piana, R. O. Dror, D. E. Shaw, How fast-folding proteins fold. Science 334, 517-520 (2011).
23. J. D. Bryngelson, P. G. Wolynes, Intermediates and barrier crossing in a random energy-model (with applications to protein folding). J. Phys. Chem. 93, 6902-6915 (1989).
24. A. Sali, E. Shakhnovich, M. Karplus, How does a protein fold. Nature 369, 248-251 (1994).
25. R. B. Best, G. Hummer, W. A. Eaton, Native contacts determine protein folding mechanisms in atomistic simulations. Proc. Natl. Acad. Sci. USA 110, 17874-17879 (2013).
26. J. N. Onuchic, A. Luthey-Schulten, P. G. Wolynes, Theory of protein folding: the energy landscape perspective. Ann. Rev. Phys. Chem. 48, 545-600 (1997).
27. D. U. Ferreiro, E. A. Komives, P. G. Wolynes, Frustration in biomolecules. Quart. Rev. Biophys., (2014).
28. V. Muñoz, W. A. Eaton, A simple model for calculating the kinetics of protein folding from three-dimensional structures. Proc. Natl. Acad. Sci. USA 96, 11311-11316 (1999).
29. E. R. Henry, R. B. Best, W. A. Eaton, Comparing a simple theoretical model for protein folding with all-atom molecular dynamics simulations. Proc. Natl. Acad. Sci. USA 110, 17880-17885 (2013).
30. M. M. Garcia-Mira, M. Sadqi, N. Fischer, J. M. Sanchez-Ruiz, V. Muñoz, Experimental identification of downhill protein folding. Science 298, 2191-2195 (2002).
31. N. Ferguson, P. J. Schartau, T. D. Sharpe, S. Sato, A. R. Fersht, One-state downhill versus conventional protein folding. J. Mol. Biol. 344, 295-301 (2004).
32. J. D. Bryngelson, J. N. Onuchic, N. D. Socci, P. G. Wolynes, Funnels, pathways, and the energy landscape of protein-folding - a synthesis. Proteins-Struct. Funct. Gen. 21, 167-195 (1995).
33. P. Li, F. Y. Oliva, A. N. Naganathan, V. Muñoz, Dynamics of one-state downhill protein folding. Proc. Natl. Acad. Sci. USA 106, 103-108 (2009).
34. A. N. Naganathan, U. Doshi, V. Muñoz, Protein folding kinetics: barrier effects in chemical and thermal denaturation experiments. J. Am. Chem. Soc. 129, 5673-5682 (2007).
35. H. S. Chung, W. A. Eaton, Single-molecule fluorescence probes dynamics of barrier crossing. Nature 502, 685-688 (2013).
36. H. S. Chung, K. McHale, J. M. Louis, W. A. Eaton, Single-molecule fluorescence experiments determine protein folding transition path times. Science 335, 981-984 (2012).