蛋白质分子的功能常日取决于其形状和构造，因此理解掌握形状和构造的动力学可以打开一扇门，以理解从蛋白质的事情事理到疾病缘故原由以及设计靶向药物疗法的最佳方法的所有方面，这是机器学习算法首次以这种办法运用于生物分子动力学，该方法的成功供应了见识，也可以帮助推进人工智能（AI），有关这项事情的研究论文已揭橥在《自然通讯》杂志上。

生物分子不断运动，在周围环境中摇荡，它们的形状取决于它们如何折叠和扭曲，它们可能会以给定的形状保持几秒钟或几天，然后溘然弹开并重新折叠成其他形状或构造，从一种形状到另一种形状的过渡非常类似于逐步展开的缠结线圈的拉伸，当线圈的不同部分开释和展开时，分子呈现不同的中间构象。

但是从一种形式到另一种形式的转变发生在皮秒（万亿分之一秒）或更短的韶光内，这使得诸如高功率显微镜和光谱学之类的实验方法难以准确地捕获展开的过程，哪些参数影响展开以及什么不同的形状是可能的，这些问题的答案构成了蒂瓦里的新方法可以揭示的生物学故事。

科研团队利用牛顿的运动定律，可以预测分子内原子的运动-与功能强大的超级打算机（包括UMD的Deepthought2）一起开拓了统计物理模型，可以仿照单个分子的形状、运动和轨迹。

然后，他们将这些模型输入到机器学习算法中，就像Gmail会在键入内容时自动完成句子一样，该算法将仿照作为一种措辞进行处理，在这种措辞中，每个分子运动都形成一个字母，该字母可以与其他运动串在一起形成单词和句子，通过学习确定哪些形状和运动相互遵照而哪些不遵照的语法和语法规则，该算法可以预测蛋白质在改变形状时的纠缠办法以及沿途采纳的多种形式。

为了证明他们的方法有效，研究小组将其运用于一种名为核糖开关的小生物分子，该分子先前已利用光谱法进行了剖析，结果揭示了核糖开关在拉伸过程中可能采纳的各种形式，与光谱学研究的结果相吻合。

这种药物最主要的用场之一便是开拓针对性强的药物，希望有强大的药物结合力很强，但只结合希望结合的东西，如果能够理解目标生物分子可以采纳的不同形式，那么就可以实现这一目标，由于可以制造药物只能在适当的时候绑定到特定形式中的一种，并且只绑定想要的韶光。

这项研究中同样主要的部分是有关科研团队利用的措辞处理系统的知识，常日被称为递归神经网络，在此特定情形下为是非期影象网络，研究职员剖析了网络的基本数学事理，由于该网络学习了分子运动的措辞，他们创造网络利用的逻辑类似于统计物理学中的一个主要观点，称为路径熵，理解这一点为将来改进递归神经网络供应了机会。