Prelom v simulácii proteínov: Berlínski výskumníci spôsobili revolúciu v metóde!

Prelom v simulácii proteínov: Berlínski výskumníci spôsobili revolúciu v metóde!

18. júla 2025 medzinárodný výskumný tím pod vedením Prof. Dr. Cecilie Clementi z Slobodná univerzita v Berlíne prelomový článok v časopisePrírodná chémia, čo vo vedeckom svete vyvoláva rozruch. Článok predstavuje nový model, ktorý umožňuje presnú a efektívnu simuláciu proteínov – výrazne rýchlejšiu ako bežné simulácie molekulárnej dynamiky.

Výzva realistického zobrazenia skladania a dynamiky proteínov existuje už viac ako 50 rokov. Výskumníci použili hlboké učenie na vývoj systému, ktorý sa približuje k celoatómovým proteínovým simuláciám. Novo vyvinutý model CGSchNet využíva grafovú neurónovú sieť na učenie efektívnych interakcií medzi časticami. Tieto inovatívne prístupy otvárajú sľubné aplikácie vo vývoji liekov a protilátkových terapií rakoviny a iných chorôb.

Pokroky v simulácii proteínov

Model sa zameriava na dynamický proces skladania proteínov vrátane prechodných stavov, ktoré zohrávajú úlohu pri chybnom poskladaní, ako sú amyloidy. Simuluje prechody medzi zloženými stavmi, ktoré sú kľúčové pre funkciu proteínov. Významným pokrokom tohto modelu je schopnosť presne predpovedať dlhotrvajúce stavy zložených, rozložených a neusporiadaných proteínov.

Jednou z najpozoruhodnejších vlastností modelu CGSchNet je schopnosť predpovedať relatívnu stabilitu zložených proteínových mutantov, ktorú predchádzajúce metódy nedokázali dosiahnuť. Prof. Dr. Cecilia Clementi, ktorá bola predtým profesorkou chémie a fyziky na Rice University v Houstone, Texas, posilňuje výskum v oblasti teoretickej a výpočtovej biofyziky na Slobodnej univerzite v Berlíne. Ich prácu podporujú profesúry Einsteina, ktoré podporujú berlínske univerzity a Charité pri rokovaniach o menovaní alebo pobyte.

Údaje a modely podrobne

Štúdia použila komplexné súbory údajov. Referenčný súbor údajov obsahuje 1 262 cieľov a pokrýva širokú škálu proteínových štruktúr vrátane 717 proteínov s jednou doménou, 257 novo publikovaných cieľov a 288 cieľov z CASP 8–14. Tieto súbory údajov boli pripravené na odstránenie redundancií a úpravu sekvenčnej identity na hranicu <30 %.

Súbor údajov Human Protome obsahuje 20 595 proteínov a umožňuje diferencovanú analýzu proteínov s jednou a viacerými doménami. Z nich bolo predpovedaných 19 512 proteínov, čo má potenciálne veľký význam pre predikciu štruktúry. Okrem toho bol do výskumu integrovaný plynovod D-I-TASSER, ktorý využíva hybridný prístup k predpovedaniu štruktúry proteónov.

Tento kanál vykonáva všetky kroky od hlbokého generovania MSA cez identifikáciu šablóny závitov až po štrukturálne zdokonalenie a vyhodnotenie modelu. Použitie najmodernejších algoritmov a technológií, ako sú DeepPotential a AttentionPotential, ilustruje inovatívny charakter práce.

Výsledky štúdie sú prenosné na rôzne proteíny mimo špecifického súboru tréningových údajov, čo podčiarkuje relevantnosť modelu pre biochemický výskum. Aplikácia metód vyvinutých v štúdii by mohla mať ďalekosiahle dôsledky pre budúcnosť výskumu bielkovín a vývoja liekov. Ďalšie informácie nájdete v podrobnej publikácii Príroda nájsť.