Tutkijat kokosivat tietokannan 200 miljoonasta proteiinirakenteesta. He saavuttivat tämän AlphaFold-ohjelman avulla,
Paradoksaaliset proteiinit
Proteiinit ovat elämän rakennuspalikoita.Niitä tuottavat erilaiset organismit bakteereista kasveihin ja eläimiin, ja kun niitä tuotetaan, ne taittuvat yhteen millisekunneissa. Muodostuvat monimutkaisiin muotoihin laskostetuista aminohappoketjuista, ja niiden kolmiulotteinen rakenne määrää suurelta osin niiden toiminnan. Kun ymmärrät, miten proteiini taittuu, voit ymmärtää sen toiminnan ja muuttaa sen käyttäytymistä.
Vaikka DNA antaa ohjeita luomiseenaminohappoketjuja, on ollut erittäin vaikeaa ennustaa, kuinka ne vuorovaikuttavat muodostaen kolmiulotteisen muodon. Viime aikoihin asti tiedemiehet olivat ymmärtäneet vain murto-osan 200 miljoonasta tieteen tuntemasta proteiinista. Ongelmana on, että niiden rakenne on niin monimutkainen, että on lähes mahdotonta yrittää arvata, minkä muodon ne ottavat.
DeepMindin AlphaFold on luonut 3D-kuvia proteiinirakenteista. Kuva: DeepMind
Cyrus Levinthal, amerikkalainen molekyylibiologi kirjoitti vuonna 1969 ilmestyneessä artikkelissa paradoksista: mahdollisten konfiguraatioiden valtavasta määrästä huolimatta proteiinit laskostuvat nopeasti ja tarkasti. Lisäksi jokainen proteiini voi olla 10^300 mahdollisesta lopullisesta muodosta.
Таким образом, писал Левинталь, если кто-то попытается найти правильную форму белка, пробуя каждую конфигурацию одну за другой, потребуется больше времени, чем существует Вселенная.
Tiedemiesten yrityksiä
У ученых есть способы визуализировать белки ja analysoida niiden rakennetta, mutta tämä on liian hidasta ja vaikeaa työtä. Nature-lehden mukaan röntgenkristallografiaa käytetään useimmiten proteiinien kuvaamiseen. Tässä menetelmässä röntgensäteet suunnataan kiinteisiin proteiinikiteisiin ja mitataan kuinka ne taittuvat. Tavoitteena on selvittää proteiinin rakenne. DeepMindin mukaan tämä kokeellinen työ on määrittänyt noin 190 000 proteiinin muodon.
Uusi menetelmä
Marraskuussa 2020 DeepMind-ryhmä aloittitekoäly, ilmoitti kehittävänsä AlphaFold-nimisen ohjelman, joka voi nopeasti ennustaa nämä tiedot algoritmin avulla. Siitä lähtien hän on tutkinut jokaisen organismin geneettisiä koodeja, joiden genomi on sekvensoitu, ja ennustanut niiden satojen miljoonien proteiinien rakenteita, joita ne yhdessä sisältävät.
AlphaFold toimii keräämällä tietoaaminohapposekvensseistä ja vuorovaikutuksista yrittäen tulkita proteiinien rakenteita. Tämän seurauksena algoritmi oppi ennustamaan proteiinien muodot muutamassa minuutissa atomitason tarkkuudella.
Viime vuonna DeepMind julkaistiinAvoin tietokanta proteiinirakenteista sisältää 20 lajia, mukaan lukien lähes kaikki 20 000 ihmisen ilmentämää proteiinia.
Miten tekniikkaa sovelletaan?
Tutkijat käyttävät jo työnsä hedelmiäAlphaFold. The Guardianin mukaan ohjelman avulla tutkijat pystyivät luonnehtimaan lopullisesti malarialoisen avainproteiinia, joka ei ollut altistunut röntgenkristallografialle. Tämä parantaa viime kädessä rokotetta tautia vastaan.
3D-kuva malariaproteiinista. Kuva: Deepmind
Hunajamehiläisten tutkija Wilde LeipartNorjan biotieteiden yliopistosta käytti AlphaFoldia vitellogeniinin rakenteen paljastamiseen. Se on lisääntymis- ja immuunipuolustusproteiini, jota kaikki munivat eläimet tuottavat. Löytö auttaa kehittämään uusia tapoja suojella esimerkiksi mehiläisiä ja kaloja taudeilta. Tämä on tärkeää, koska nämä eläimet ovat tärkeitä ihmiskunnan ruokinnassa.
Ohjelma kertoo myös uuden etsinnästälääkkeet, Rosana Kapeller, ROME Therapeuticsin toimitusjohtaja, sanoi DeepMind-lausunnossa. ”AlphaFoldin nopeus ja tarkkuus nopeuttavat lääkekehitysprosessia. Olemme vasta alkamassa ymmärtää sen vaikutusta lääkekehitykseen", hän päätti.
Myös AlphaFold-malleja käyttävät tutkijatPortsmouthin yliopiston entsyymiinnovaatiokeskuksesta tunnistaakseen luonnosta peräisin olevia entsyymejä, jotka voidaan räätälöidä muovien käsittelyyn.
Lue lisää:
Pian aurinkomyrsky iskee maahan: materiaali lentää 800 km/s nopeudella
Tiedemiehet kuvasivat oudon olennon lonkeroilla, joita he luulivat kukaksi
Venäjä jättää ISS:n: mitä tapahtuu nyt ja miksi aseman ylläpito on uhattuna