Gennembrud i proteinsimulering: Berlin-forskere revolutionerer metoden!

Gennembrud i proteinsimulering: Berlin-forskere revolutionerer metoden!

Den 18. juli 2025 blev et internationalt forskerhold ledet af prof. Dr. Cecilia Clementi fra Berlins frie universitet en banebrydende artikel i bladetNaturkemi, hvilket vækker opsigt i den videnskabelige verden. Artiklen præsenterer en ny model, der muliggør præcis og effektiv simulering af proteiner - væsentligt hurtigere end konventionelle molekylær dynamik-simuleringer.

Udfordringen med realistisk at skildre proteinfoldning og dynamik har eksisteret i over 50 år. Forskerne brugte dyb læring til at udvikle et system, der tilnærmer sig alle-atom-proteinsimuleringer. Den nyudviklede model, CGSchNet, bruger et grafisk neuralt netværk til at lære effektive interaktioner mellem partikler. Disse innovative tilgange åbner op for lovende anvendelser i udviklingen af ​​lægemidler og antistofterapier til cancer og andre sygdomme.

Fremskridt inden for proteinsimulering

Modellen fokuserer på den dynamiske foldningsproces af proteiner, herunder de mellemliggende tilstande, der spiller en rolle i fejlfoldninger såsom amyloider. Det simulerer overgange mellem foldede tilstande, der er afgørende for proteiners funktion. Et væsentligt fremskridt ved denne model er evnen til nøjagtigt at forudsige langlivede tilstande af foldede, udfoldede og uordnede proteiner.

Et af de mest bemærkelsesværdige træk ved CGSchNet-modellen er evnen til at forudsige den relative stabilitet af foldede proteinmutanter, som tidligere metoder ikke har været i stand til at opnå. Professor Dr. Cecilia Clementi, som tidligere var professor i kemi og fysik ved Rice University i Houston, Texas, styrker forskningen i teoretisk og beregningsmæssig biofysik ved Free University of Berlin. Deres arbejde er støttet af Einstein-professoraterne, som støtter Berlins universiteter og Charité i udnævnelses- eller opholdsforhandlinger.

Data og modeller i detaljer

Undersøgelsen brugte omfattende datasæt. Benchmark-datasættet indeholder 1.262 mål og dækker en bred vifte af proteinstrukturer, herunder 717 enkeltdomæneproteiner, 257 nyligt offentliggjorte mål og 288 mål fra CASP 8-14. Disse datasæt blev forberedt til at fjerne redundanser og justere sekvensidentiteten til en cutoff på <30 %.

Human Protome-datasættet omfatter 20.595 proteiner og muliggør differentieret analyse af enkeltdomæne- og multidomæneproteiner. Af disse blev 19.512 proteiner forudsagt, hvilket potentielt er af stor betydning for strukturforudsigelse. Derudover blev D-I-TASSER-rørledningen, som bruger en hybrid tilgang til forudsigelse af proteonstruktur, integreret i forskningen.

Denne pipeline udfører alle trin fra dyb MSA-generering til gevindskabelonidentifikation til strukturel forfining og modelevaluering. Brugen af ​​state-of-the-art algoritmer og teknologier som DeepPotential og AttentionPotential illustrerer værkets innovative karakter.

Resultaterne af undersøgelsen kan overføres til en række forskellige proteiner uden for det specifikke træningsdatasæt, hvilket understreger modellens relevans for biokemisk forskning. Anvendelse af metoderne udviklet i undersøgelsen kan have vidtrækkende konsekvenser for fremtiden for proteinforskning og lægemiddeludvikling. Yderligere information findes i den detaljerede publikation Natur at finde.