Izrāviens olbaltumvielu simulācijā: Berlīnes pētnieki revolucionizē metodi!

Izrāviens olbaltumvielu simulācijā: Berlīnes pētnieki revolucionizē metodi!

2025. gada 18. jūlijā starptautiska pētnieku grupa, kuru vadīja prof. Dr. Sesīlija Klementi no Berlīnes Brīvā universitāte revolucionārs raksts žurnālāDabas ķīmija, kas izraisa satraukumu zinātnes pasaulē. Rakstā ir parādīts jauns modelis, kas ļauj precīzi un efektīvi simulēt proteīnus - ievērojami ātrāk nekā parastās molekulārās dinamikas simulācijas.

Proteīna locīšanas un dinamikas reālistiskas attēlošanas izaicinājums pastāv jau vairāk nekā 50 gadus. Pētnieki izmantoja dziļu mācīšanos, lai izstrādātu sistēmu, kas tuvina visu atomu olbaltumvielu simulācijas. Jaunizveidotais modelis CGSchNet izmanto grafu neironu tīklu, lai uzzinātu efektīvas mijiedarbības starp daļiņām. Šīs novatoriskās pieejas paver daudzsološus pielietojumus vēža un citu slimību medikamentu un antivielu terapijas izstrādē.

Proteīna simulācijas sasniegumi

Modelis koncentrējas uz proteīnu dinamisko locīšanas procesu, tostarp starpstāvokļiem, kuriem ir nozīme nepareizās locīšanas vietās, piemēram, amiloīdos. Tas simulē pārejas starp salocītajiem stāvokļiem, kas ir būtiski proteīnu funkcijai. Būtisks šī modeļa sasniegums ir spēja precīzi paredzēt salocītu, nesalocītu un nesakārtotu proteīnu ilgstošus stāvokļus.

Viena no ievērojamākajām CGSchNet modeļa iezīmēm ir spēja prognozēt salocītu proteīnu mutantu relatīvo stabilitāti, ko iepriekšējās metodes nav spējušas sasniegt. Sesīlija Klementi, kas iepriekš bija ķīmijas un fizikas profesore Raisa universitātē Hjūstonā, Teksasā, Berlīnes Brīvajā universitātē stiprina pētījumus teorētiskās un skaitļošanas biofizikas jomā. Viņu darbu atbalsta Einšteina profesori, kas atbalsta Berlīnes universitātes un Charité iecelšanas vai rezidences sarunās.

Detalizēti dati un modeļi

Pētījumā tika izmantotas visaptverošas datu kopas. Etalona datu kopa satur 1262 mērķus un aptver plašu proteīnu struktūru klāstu, tostarp 717 viena domēna proteīnus, 257 nesen publicētus mērķus un 288 mērķus no CASP 8–14. Šīs datu kopas tika sagatavotas, lai noņemtu dublēšanos un pielāgotu secības identitāti līdz <30% robežai.

Human Protome datu kopa ietver 20 595 proteīnus un nodrošina viena domēna un vairāku domēnu proteīnu diferencētu analīzi. No tiem tika prognozēti 19 512 proteīni, kas potenciāli ir ļoti svarīgi struktūras prognozēšanai. Turklāt pētījumā tika integrēts D-I-TASSER cauruļvads, kas izmanto hibrīda pieeju proteonu struktūras prognozēšanai.

Šis konveijers veic visas darbības, sākot no dziļas MSA ģenerēšanas līdz vītņu veidņu identificēšanai un beidzot ar struktūras pilnveidošanu un modeļa novērtēšanu. Vismodernāko algoritmu un tehnoloģiju, piemēram, DeepPotential un AttentionPotential, izmantošana ilustrē darba novatorisko raksturu.

Pētījuma rezultāti ir pārnesami uz dažādiem proteīniem ārpus īpašās apmācības datu kopas, kas uzsver modeļa atbilstību bioķīmisko pētījumu veikšanai. Pētījumā izstrādāto metožu pielietošanai varētu būt tālejoša ietekme uz proteīnu pētniecības un zāļu izstrādes nākotni. Papildu informācija ir pieejama detalizētajā publikācijā Daba lai atrastu.