Läpimurto proteiinisimulaatiossa: Berliinin tutkijat mullistavat menetelmän!

Läpimurto proteiinisimulaatiossa: Berliinin tutkijat mullistavat menetelmän!

18. heinäkuuta 2025 professori tohtori Cecilia Clementin johtama kansainvälinen tutkimusryhmä Berliinin vapaa yliopisto uraauurtava artikkeli lehdessäLuonnon kemia, joka aiheuttaa kohua tiedemaailmassa. Artikkelissa esitellään uusi malli, joka mahdollistaa tarkan ja tehokkaan proteiinien simuloinnin – huomattavasti nopeammin kuin perinteiset molekyylidynamiikan simulaatiot.

Haaste proteiinin laskostumisen ja dynamiikan realistiseen kuvaamiseen on ollut olemassa yli 50 vuotta. Tutkijat käyttivät syväoppimista kehittääkseen järjestelmän, joka lähentelee kaikkien atomien proteiinisimulaatioita. Äskettäin kehitetty malli, CGSchNet, käyttää graafisen hermoverkkoa oppimaan tehokkaita hiukkasten välisiä vuorovaikutuksia. Nämä innovatiiviset lähestymistavat tarjoavat lupaavia sovelluksia syövän ja muiden sairauksien lääkkeiden ja vasta-ainehoitojen kehittämisessä.

Edistystä proteiinisimulaatiossa

Malli keskittyy proteiinien dynaamiseen laskostumisprosessiin, mukaan lukien välitilat, jotka vaikuttavat väärinlaskostumiseen, kuten amyloideihin. Se simuloi siirtymiä laskostettujen tilojen välillä, jotka ovat ratkaisevia proteiinien toiminnalle. Tämän mallin merkittävä edistysaskel on kyky ennustaa tarkasti laskostuneiden, laskostumattomien ja epäjärjestyneiden proteiinien pitkäikäiset tilat.

Yksi CGSchNet-mallin merkittävimmistä ominaisuuksista on kyky ennustaa laskostettujen proteiinimutanttien suhteellinen stabiilius, jota aikaisemmat menetelmät eivät ole kyenneet saavuttamaan. Professori tohtori Cecilia Clementi, joka oli aiemmin kemian ja fysiikan professori Ricen yliopistossa Houstonissa, Texasissa, vahvistaa teoreettisen ja laskennallisen biofysiikan tutkimusta Berliinin vapaassa yliopistossa. Heidän työtänsä tukevat Einstein Professorships, jotka tukevat Berliinin yliopistoja ja Charitéa nimitys- tai residenssineuvotteluissa.

Tiedot ja mallit yksityiskohtaisesti

Tutkimuksessa käytettiin kattavia aineistoja. Vertailutietoaineisto sisältää 1 262 kohdetta ja kattaa laajan valikoiman proteiinirakenteita, mukaan lukien 717 yksidomeeniproteiinia, 257 äskettäin julkaistua kohdetta ja 288 kohdetta CASP 8–14:stä. Nämä tietojoukot valmistettiin poistamaan redundanssit ja säätämään sekvenssi-identiteetti <30 %:n rajaan.

Human Protome -tietojoukko sisältää 20 595 proteiinia ja mahdollistaa yksi- ja monidomeenisten proteiinien eriytetyn analyysin. Näistä ennustettiin 19 512 proteiinia, mikä on mahdollisesti erittäin tärkeää rakenteen ennustamisen kannalta. Lisäksi tutkimukseen integroitiin D-I-TASSER-putkilinja, joka käyttää hybridilähestymistapaa proteonirakenteen ennustamiseen.

Tämä liukuhihna suorittaa kaikki vaiheet syvästä MSA:n luomisesta kierteitysmallin tunnistamiseen, rakenteen tarkentamiseen ja mallin arviointiin. Huippuluokan algoritmien ja tekniikoiden, kuten DeepPotential ja AttentionPotential, käyttö kuvaa työn innovatiivista luonnetta.

Tutkimuksen tulokset ovat siirrettävissä erilaisiin proteiineihin tietyn harjoitusaineiston ulkopuolella, mikä korostaa mallin merkitystä biokemiallisen tutkimuksen kannalta. Tutkimuksessa kehitettyjen menetelmien soveltamisella voi olla kauaskantoisia vaikutuksia proteiinitutkimuksen ja lääkekehityksen tulevaisuuteen. Lisätietoja on saatavilla yksityiskohtaisessa julkaisussa Luonto löytää.