Preboj v simulaciji beljakovin: berlinski raziskovalci revolucionirali metodo!

Preboj v simulaciji beljakovin: berlinski raziskovalci revolucionirali metodo!

18. julija 2025 je mednarodna raziskovalna skupina pod vodstvom prof. dr. Cecilie Clementi iz Svobodna univerza v Berlinu prelomen članek v revijiNaravna kemija, ki povzroča razburjenje v znanstvenem svetu. Članek predstavlja nov model, ki omogoča natančno in učinkovito simulacijo proteinov – bistveno hitreje od običajnih simulacij molekularne dinamike.

Izziv realističnega prikaza zvijanja in dinamike beljakovin obstaja že več kot 50 let. Raziskovalci so uporabili globoko učenje, da bi razvili sistem, ki se približa simulacijam beljakovin z vsemi atomi. Na novo razviti model, CGSchNet, uporablja grafično nevronsko mrežo za učenje učinkovitih interakcij med delci. Ti inovativni pristopi odpirajo obetavne aplikacije pri razvoju zdravil in protitelesnih terapij za raka in druge bolezni.

Napredek v simulaciji beljakovin

Model se osredotoča na dinamični proces zvijanja beljakovin, vključno z vmesnimi stanji, ki igrajo vlogo pri napačnem zlaganju, kot so amiloidi. Simulira prehode med prepognjenimi stanji, ki so ključni za delovanje beljakovin. Pomemben napredek tega modela je zmožnost natančnega napovedovanja dolgoživih stanj zvitih, razvitih in neurejenih proteinov.

Ena najbolj opaznih lastnosti modela CGSchNet je zmožnost napovedovanja relativne stabilnosti zvitih proteinskih mutantov, ki je prejšnje metode niso uspele doseči. Profesorica dr. Cecilia Clementi, ki je bila prej profesorica kemije in fizike na Univerzi Rice v Houstonu v Teksasu, krepi raziskave teoretične in računalniške biofizike na Svobodni univerzi v Berlinu. Njihovo delo podpira Einsteinova profesura, ki podpira berlinske univerze in Charité pri pogajanjih o imenovanju ali bivanju.

Daten und Modelle im Detail

Študija je uporabila obsežne nize podatkov. Nabor primerjalnih podatkov vsebuje 1262 tarč in zajema širok razpon proteinskih struktur, vključno s 717 proteini z eno domeno, 257 na novo objavljenimi tarčami in 288 tarčami iz CASP 8–14. Ti nizi podatkov so bili pripravljeni za odstranitev presežkov in prilagoditev identitete zaporedja na mejno vrednost <30 %.

Nabor podatkov Human Protome vključuje 20.595 proteinov in omogoča diferencirano analizo enodomenskih in večdomenskih proteinov. Od tega je bilo predvidenih 19.512 proteinov, kar je potencialno zelo pomembno za napoved strukture. Poleg tega je bil v raziskavo vključen cevovod D-I-TASSER, ki uporablja hibridni pristop za napovedovanje strukture proteinov.

Ta cevovod izvaja vse korake od generiranja globokega MSA do identifikacije predloge navojev do strukturne izboljšave in vrednotenja modela. Uporaba najsodobnejših algoritmov in tehnologij, kot sta DeepPotential in AttentionPotential, ponazarja inovativen značaj dela.

Rezultati študije so prenosljivi na različne proteine ​​zunaj posebnega nabora podatkov o usposabljanju, kar poudarja pomembnost modela za biokemične raziskave. Uporaba metod, razvitih v študiji, bi lahko imela daljnosežne posledice za prihodnost raziskav beljakovin in razvoja zdravil. Dodatne informacije so na voljo v podrobni objavi Narava najti.