Пробив в протеиновата симулация: Берлински изследователи революционизират метода!

Пробив в протеиновата симулация: Берлински изследователи революционизират метода!

На 18 юли 2025 г. международен изследователски екип, ръководен от проф. д-р Сесилия Клементи от Берлински свободен университет новаторска статия в списаниетоПриродна химия, което предизвиква фурор в научния свят. Статията представя нов модел, който позволява прецизна и ефективна симулация на протеини - значително по-бърза от конвенционалните симулации на молекулярната динамика.

Предизвикателството за реалистично изобразяване на сгъването и динамиката на протеините съществува повече от 50 години. Изследователите са използвали задълбочено обучение, за да разработят система, която приближава симулациите на протеини с всички атоми. Новоразработеният модел, CGSchNet, използва графична невронна мрежа, за да научи ефективни взаимодействия между частиците. Тези новаторски подходи разкриват обещаващи приложения в разработването на лекарства и терапии с антитела за рак и други заболявания.

Напредък в протеиновата симулация

Моделът се фокусира върху динамичния процес на сгъване на протеини, включително междинните състояния, които играят роля в неправилно сгъване, като амилоиди. Той симулира преходи между сгънати състояния, които са от решаващо значение за функцията на протеините. Значителен напредък на този модел е способността за точно прогнозиране на дълготрайни състояния на сгънати, разгънати и неподредени протеини.

Една от най-забележителните характеристики на модела CGSchNet е способността да се предвиди относителната стабилност на нагънатите протеинови мутанти, които предишните методи не са успели да постигнат. Проф. д-р Сесилия Клементи, която преди това е била професор по химия и физика в университета Райс в Хюстън, Тексас, укрепва изследванията в областта на теоретичната и изчислителна биофизика в Свободния университет в Берлин. Тяхната работа е подкрепена от професорите на Айнщайн, които подкрепят Берлинските университети и Charité при преговори за назначаване или пребиваване.

Подробни данни и модели

Проучването използва изчерпателни набори от данни. Базовият набор от данни съдържа 1262 цели и обхваща широк спектър от протеинови структури, включително 717 протеини с един домейн, 257 новопубликувани цели и 288 цели от CASP 8–14. Тези набори от данни бяха подготвени за премахване на излишъците и коригиране на идентичността на последователността до граница от <30%.

Наборът от данни на Human Protome включва 20 595 протеина и дава възможност за диференциран анализ на еднодоменни и многодомейни протеини. От тях бяха предвидени 19 512 протеина, което е потенциално от голямо значение за предсказване на структурата. В допълнение, тръбопроводът D-I-TASSER, който използва хибриден подход за предсказване на структурата на протеините, беше интегриран в изследването.

Този тръбопровод изпълнява всички стъпки от дълбоко генериране на MSA до идентификация на шаблона за нишки до структурно усъвършенстване и оценка на модела. Използването на най-съвременни алгоритми и технологии като DeepPotential и AttentionPotential илюстрира иновативния характер на работата.

Резултатите от изследването могат да се прехвърлят към различни протеини извън специфичния набор от данни за обучение, което подчертава уместността на модела за биохимични изследвания. Прилагането на методите, разработени в проучването, може да има широкообхватни последици за бъдещето на изследванията на протеините и разработването на лекарства. Допълнителна информация можете да намерите в подробната публикация Природата за намиране.