Genombrott i proteinsimulering: Berlin-forskare revolutionerar metoden!

Genombrott i proteinsimulering: Berlin-forskare revolutionerar metoden!

Den 18 juli 2025 ledde ett internationellt forskarlag av prof. Dr. Cecilia Clementi från Fria universitetet i Berlin en banbrytande artikel i tidningenNaturkemi, vilket orsakar uppståndelse i den vetenskapliga världen. Artikeln presenterar en ny modell som möjliggör exakt och effektiv simulering av proteiner – betydligt snabbare än konventionella simuleringar av molekylär dynamik.

Utmaningen att realistiskt skildra proteinveckning och dynamik har funnits i över 50 år. Forskarna använde djupinlärning för att utveckla ett system som approximerar all-atom protein simuleringar. Den nyutvecklade modellen, CGSchNet, använder ett grafiskt neuralt nätverk för att lära sig effektiva interaktioner mellan partiklar. Dessa innovativa tillvägagångssätt öppnar upp för lovande tillämpningar i utvecklingen av läkemedel och antikroppsterapier för cancer och andra sjukdomar.

Framsteg inom proteinsimulering

Modellen fokuserar på den dynamiska veckningsprocessen av proteiner, inklusive de mellanliggande tillstånden som spelar en roll vid felveckningar som amyloider. Den simulerar övergångar mellan vikta tillstånd som är avgörande för proteiners funktion. Ett betydande framsteg med denna modell är förmågan att exakt förutsäga långlivade tillstånd av vikta, ovikta och oordnade proteiner.

En av de mest anmärkningsvärda egenskaperna hos CGSchNet-modellen är förmågan att förutsäga den relativa stabiliteten hos vikta proteinmutanter, vilket tidigare metoder inte har kunnat uppnå. Professor Dr. Cecilia Clementi, som tidigare var professor i kemi och fysik vid Rice University i Houston, Texas, stärker forskningen inom teoretisk och beräkningsbiofysik vid Free University of Berlin. Deras arbete stöds av Einstein-professurerna, som stödjer Berlins universitet och Charité i utnämnings- eller residensförhandlingar.

Data och modeller i detalj

Studien använde omfattande datamängder. Benchmarkdatauppsättningen innehåller 1 262 mål och täcker ett brett spektrum av proteinstrukturer, inklusive 717 endomänproteiner, 257 nyligen publicerade mål och 288 mål från CASP 8–14. Dessa datamängder förbereddes för att ta bort redundanser och justera sekvensidentiteten till en cutoff på <30 %.

Human Protome-datauppsättningen innehåller 20 595 proteiner och möjliggör differentierad analys av enkeldomän- och multidomänproteiner. Av dessa förutspåddes 19 512 proteiner, vilket potentiellt är av stor betydelse för strukturförutsägelse. Dessutom integrerades D-I-TASSER-pipelinen, som använder en hybrid metod för att förutsäga proteonstrukturer, i forskningen.

Denna pipeline utför alla steg från djup MSA-generering till identifiering av trådmall till strukturell förfining och modellutvärdering. Användningen av toppmoderna algoritmer och teknologier som DeepPotential och AttentionPotential illustrerar arbetets innovativa karaktär.

Resultaten av studien är överförbara till en mängd olika proteiner utanför den specifika träningsdatauppsättningen, vilket understryker modellens relevans för biokemisk forskning. Tillämpning av de metoder som utvecklats i studien kan få långtgående konsekvenser för framtiden för proteinforskning och läkemedelsutveckling. Mer information finns i den detaljerade publikationen Natur att hitta.