Áttörés a fehérjeszimulációban: a berlini kutatók forradalmasítják a módszert!

Áttörés a fehérjeszimulációban: a berlini kutatók forradalmasítják a módszert!

2025. július 18-án egy nemzetközi kutatócsoport Prof. Dr. Cecilia Clementi vezetésével. Berlini Szabadegyetem egy úttörő cikk a magazinbanTermészet kémia, ami feltűnést kelt a tudományos világban. A cikk egy új modellt mutat be, amely lehetővé teszi a fehérjék pontos és hatékony szimulációját – lényegesen gyorsabban, mint a hagyományos molekuladinamikai szimulációk.

A fehérje hajtogatás és dinamika valósághű ábrázolásának kihívása több mint 50 éve létezik. A kutatók mély tanulást alkalmaztak egy olyan rendszer kifejlesztéséhez, amely közelíti az összes atom fehérje szimulációit. Az újonnan kifejlesztett modell, a CGSchNet egy gráf neurális hálózatot használ a részecskék közötti hatékony kölcsönhatások megtanulására. Ezek az innovatív megközelítések ígéretes alkalmazásokat nyitnak meg a rák és más betegségek gyógyszereinek és antitestterápiáinak fejlesztésében.

Fejlődés a fehérje szimulációban

A modell a fehérjék dinamikus hajtogatási folyamatára összpontosít, beleértve azokat a köztes állapotokat is, amelyek szerepet játszanak a hibás hajtogatásokban, például az amiloidokban. Simulálja az átmeneteket a hajtogatott állapotok között, amelyek kulcsfontosságúak a fehérjék működése szempontjából. Ennek a modellnek a jelentős előrelépése az a képesség, hogy pontosan megjósolható a hajtogatott, feltekeredő és rendezetlen fehérjék hosszú élettartamú állapota.

A CGSchNet modell egyik legfigyelemreméltóbb tulajdonsága, hogy képes előre jelezni a hajtogatott fehérje mutánsok relatív stabilitását, amit a korábbi módszerekkel nem sikerült elérni. Prof. Dr. Cecilia Clementi, aki korábban a houstoni Rice Egyetem kémia és fizika professzora volt, erősíti az elméleti és számítási biofizikai kutatásokat a Berlini Szabadegyetemen. Munkájukat az Einstein Professorships támogatja, amelyek a berlini egyetemeket és a Charité-t támogatják a kinevezési vagy tartózkodási tárgyalásokon.

Adatok és modellek részletesen

A tanulmány átfogó adatsorokat használt. A benchmark adatkészlet 1262 célpontot tartalmaz, és fehérjeszerkezetek széles skáláját fedi le, beleértve 717 egydoménes fehérjét, 257 újonnan publikált célpontot és 288 célt a CASP 8–14-ből. Ezeket az adatkészleteket a redundanciák eltávolítására és a szekvenciaazonosság <30%-ra történő beállítására készítettük elő.

A Human Protome adatkészlet 20 595 fehérjét tartalmaz, és lehetővé teszi az egy- és többdoménes fehérjék differenciált elemzését. Ebből 19 512 fehérjét jósoltak meg, ami potenciálisan nagy jelentőséggel bír a szerkezet előrejelzésében. Ezenkívül a D-I-TASSER pipeline, amely hibrid megközelítést alkalmaz a proteonszerkezet előrejelzésére, beépült a kutatásba.

Ez a folyamat minden lépést végrehajt a mély MSA generálástól a szálfűzési sablon azonosításon át a szerkezeti finomításig és a modellértékelésig. A legkorszerűbb algoritmusok és technológiák, például a DeepPotential és az AttentionPotential használata illusztrálja a munka innovatív jellegét.

A vizsgálat eredményei a specifikus edzési adathalmazon kívüli számos fehérjére is átvihetők, ami aláhúzza a modell biokémiai kutatásban való relevanciáját. A tanulmányban kidolgozott módszerek alkalmazása messzemenő következményekkel járhat a fehérjekutatás és gyógyszerfejlesztés jövője szempontjából. További információk a részletes kiadványban találhatók Természet megtalálni.