Resumen de Análisis de componentes principales: una herramienta para dilucidar los movimientos esenciales de las biomoléculas

Juliana Palma, Gustavo Pierdominici Sottile

• español

  El Análisis de Componentes Principales (PCA) es un procedimiento ampliamente utilizado para examinar los datos colectados de simulaciones de biomoléculas. Su gran virtud es que permite reducir enormemente la dimensionalidad del espacio configuracional de la molécula. En criollo, esto significa que en lugar de necesitar cientos o miles de coordenadas para indicar cómo están posicionados sus átomos, podemos alcanzar una muy buena descripción con solo indicar un puñado de componentes principales. Esto facilita enormemente todos los análisis posteriores, ya sean cualitativos o cuantitativos.

  Así, PCA es utilizado tanto para generar animaciones de los movimientos funcionales de las biomoléculas como para calcular sus superficies de energía libre o sus entropías conformacionales. Pero ojo: para poder aplicar PCA en forma eficaz es necesario conocer sus fundamentos teóricos, ya que ellos nos permiten diseñar estrategias para evitar las limitaciones del método. En este artículo, discutiremos las bases teóricas de PCA y presentaremos algunos procedimientos que nos permitirán aprovechar al máximo las ventajas de este algoritmo.

• English

  Principal Component Analysis (PCA) is a widely used procedure for examining data collected in biomolecule simulations. Its main virtue is that it significantly reduces the dimensionality of the molecule's configurational space. In simple terms, this means that instead of needing hundreds or thousands of coordinates to indicate how its atoms are positioned, we can achieve a fairly good description by only displaying a handful of principal components. This reduction greatly facilitates all subsequent analyses, whether qualitative or quantitative. Accordingly, PCA is used both to generate animations of the functional movements of biomolecules and to calculate their free energy surfaces or conformational entropies. However, we must note that to apply PCA effectively, it is necessary to understand its theoretical foundations in order to design strategies to avoid the algorithm's limitations. In this article, we will discuss the theoretical bases of PCA and present some procedures that allow making the most of its advantages.