Proboj u simulaciji proteina: Berlinski istraživači revolucionirali metodu!

Proboj u simulaciji proteina: Berlinski istraživači revolucionirali metodu!

18. srpnja 2025. međunarodni istraživački tim predvođen prof. dr. Ceciliom Clementi iz Slobodno sveučilište u Berlinu revolucionarni članak u časopisuKemija prirode, što izaziva pomutnju u znanstvenom svijetu. U članku je predstavljen novi model koji omogućuje preciznu i učinkovitu simulaciju proteina - znatno bržu od konvencionalnih simulacija molekularne dinamike.

Izazov realističnog prikazivanja savijanja i dinamike proteina postoji više od 50 godina. Istraživači su koristili duboko učenje kako bi razvili sustav koji aproksimira simulacije proteina sa svim atomima. Novorazvijeni model, CGSchNet, koristi graf neuronsku mrežu za učenje učinkovitih interakcija između čestica. Ovi inovativni pristupi otvaraju obećavajuće primjene u razvoju lijekova i terapija antitijelima za rak i druge bolesti.

Napredak u simulaciji proteina

Model se fokusira na dinamički proces savijanja proteina, uključujući međustanja koja igraju ulogu u pogrešnom savijanju kao što su amiloidi. Simulira prijelaze između presavijenih stanja koji su ključni za funkciju proteina. Značajan napredak ovog modela je sposobnost točnog predviđanja dugotrajnih stanja presavijenih, nesmotanih i neuređenih proteina.

Jedna od najznačajnijih značajki CGSchNet modela je mogućnost predviđanja relativne stabilnosti presavijenih proteinskih mutanata, što prethodne metode nisu uspjele postići. Prof. dr. Cecilia Clementi, koja je prethodno bila profesorica kemije i fizike na Sveučilištu Rice u Houstonu, Teksas, jača istraživanje teorijske i računalne biofizike na Slobodnom sveučilištu u Berlinu. Njihov rad podupire Einstein Profesourships, koji podržava berlinska sveučilišta i Charité u pregovorima o imenovanju ili boravku.

Detaljni podaci i modeli

Studija je koristila opsežne skupove podataka. Skup referentnih podataka sadrži 1262 cilja i pokriva širok raspon proteinskih struktura, uključujući 717 proteina s jednom domenom, 257 novoobjavljenih ciljeva i 288 ciljeva iz CASP 8–14. Ovi skupovi podataka pripremljeni su za uklanjanje suvišnosti i podešavanje identiteta sekvence na granicu od <30%.

Skup podataka Human Protome uključuje 20 595 proteina i omogućuje diferenciranu analizu proteina s jednom i više domena. Od toga je predviđeno 19 512 proteina, što je potencijalno od velike važnosti za predviđanje strukture. Osim toga, D-I-TASSER cjevovod, koji koristi hibridni pristup predviđanju strukture proteina, integriran je u istraživanje.

Ovaj cjevovod izvodi sve korake od generiranja dubokog MSA-a do identifikacije predloška niti do strukturalnog usavršavanja i evaluacije modela. Korištenje najsuvremenijih algoritama i tehnologija kao što su DeepPotential i AttentionPotential ilustrira inovativnu prirodu rada.

Rezultati studije mogu se prenijeti na različite proteine ​​izvan specifičnog skupa podataka o treningu, što naglašava relevantnost modela za biokemijska istraživanja. Primjena metoda razvijenih u studiji mogla bi imati dalekosežne implikacije na budućnost istraživanja proteina i razvoja lijekova. Dodatne informacije dostupne su u detaljnoj publikaciji Priroda pronaći.