Gjennombrudd i proteinsimulering: Berlin-forskere revolusjonerer metoden!

Gjennombrudd i proteinsimulering: Berlin-forskere revolusjonerer metoden!

18. juli 2025, et internasjonalt forskerteam ledet av prof. Dr. Cecilia Clementi fra Det frie universitetet i Berlin en banebrytende artikkel i bladetNaturkjemi, som skaper oppsikt i den vitenskapelige verden. Artikkelen presenterer en ny modell som muliggjør presis og effektiv simulering av proteiner – betydelig raskere enn konvensjonelle molekylær dynamikksimuleringer.

Utfordringen med å realistisk skildre proteinfolding og dynamikk har eksistert i over 50 år. Forskerne brukte dyp læring for å utvikle et system som tilnærmer seg alle-atom-proteinsimuleringer. Den nyutviklede modellen, CGSchNet, bruker et grafisk nevralt nettverk for å lære effektive interaksjoner mellom partikler. Disse innovative tilnærmingene åpner for lovende anvendelser i utviklingen av legemidler og antistoffterapier for kreft og andre sykdommer.

Fremskritt innen proteinsimulering

Modellen fokuserer på den dynamiske foldeprosessen til proteiner, inkludert de mellomliggende tilstandene som spiller en rolle i feilfoldinger som amyloider. Den simulerer overganger mellom foldede tilstander som er avgjørende for funksjonen til proteiner. Et betydelig fremskritt med denne modellen er evnen til nøyaktig å forutsi langlivede tilstander av foldede, utfoldede og uordnede proteiner.

En av de mest bemerkelsesverdige egenskapene til CGSchNet-modellen er evnen til å forutsi den relative stabiliteten til foldede proteinmutanter, som tidligere metoder ikke har vært i stand til å oppnå. Prof. Dr. Cecilia Clementi, som tidligere var professor i kjemi og fysikk ved Rice University i Houston, Texas, styrker forskningen innen teoretisk og beregningsmessig biofysikk ved Free University of Berlin. Arbeidet deres støttes av Einstein-professoratene, som støtter Berlin-universiteter og Charité i ansettelses- eller residensforhandlinger.

Data og modeller i detalj

Studien brukte omfattende datasett. Referansedatasettet inneholder 1 262 mål og dekker et bredt spekter av proteinstrukturer, inkludert 717 enkeltdomeneproteiner, 257 nylig publiserte mål og 288 mål fra CASP 8–14. Disse datasettene ble utarbeidet for å fjerne redundanser og justere sekvensidentiteten til et grensesnitt på <30 %.

Human Protome-datasettet inkluderer 20 595 proteiner og muliggjør differensiert analyse av enkeltdomene- og multidomeneproteiner. Av disse ble 19 512 proteiner spådd, noe som potensielt er av stor betydning for strukturprediksjon. I tillegg ble D-I-TASSER-rørledningen, som bruker en hybrid tilnærming til prediksjon av proteonstruktur, integrert i forskningen.

Denne pipelinen utfører alle trinn fra dyp MSA-generering til gjengemalidentifikasjon til strukturell foredling og modellevaluering. Bruken av toppmoderne algoritmer og teknologier som DeepPotential og AttentionPotential illustrerer verkets innovative karakter.

Resultatene av studien kan overføres til en rekke proteiner utenfor det spesifikke treningsdatasettet, noe som understreker modellens relevans for biokjemisk forskning. Anvendelse av metodene utviklet i studien kan ha vidtrekkende implikasjoner for fremtiden for proteinforskning og legemiddelutvikling. Ytterligere informasjon er tilgjengelig i den detaljerte publikasjonen Natur å finne.