اخبار علمی، مطالب
پیش بینی دقیق ساختار پروتئین برای همه ممکن شد
از زمانی که DeepMind پیشرفت چشمگیری در این زمینه در کنفرانس ارزیابی انتقادی پیش بینی ساختار یا CASP14 در سال 2020 ارائه داد ، دانشمندان ماه ها برای دستیابی به پیش بینی ساختار پروتئین بسیار صبر کردند. اکنون انتظار به پایان رسیده است.
محققان موسسه طراحی پروتئین در دانشکده پزشکی دانشگاه واشنگتن در سیاتل تا حد زیادی عملکرد بدست آمده توسط DeepMind را در مورد این مهم بازآفرینی کرده اند. این نتایج توسط مجله Science روز پنجشنبه ، 15 ژوئیه منتشر خواهد شد.
بر خلاف DeepMind ، روش تیم پزشکی UW ، که آنها آن را RoseTTAFold نامیدند ، به طور رایگان در دسترس است. اکنون دانشمندان از سراسر جهان از این مدل برای ساخت مدل های پروتئینی استفاده می کنند تا تحقیقات خود را تسریع کنند. از ماه ژوئیه ، این برنامه توسط بیش از 140 تیم تحقیقاتی مستقل از GitHub بارگیری شده است.
پروتئین ها از رشته هایی از اسیدهای آمینه تشکیل شده اند که به صورت میکروسکوپی پیچیده در می آیند. این اشکال منحصر به فرد به نوبه خود باعث ایجاد تقریباً هر فرآیند شیمیایی در موجودات زنده می شود. دانشمندان می توانند با درک بهتر اشکال پروتئین ، پیشرفت درمان های جدید سرطان ، COVID-19 و هزاران اختلال بهداشتی دیگر را تسریع کنند.
در مطالعه جدید ، تیمی از زیست شناسان محاسباتی به رهبری بیکر ابزار نرم افزاری RoseTTAFold را توسعه دادند. این از یادگیری عمیق برای پیش بینی سریع و دقیق ساختارهای پروتئینی بر اساس اطلاعات محدود استفاده می کند. بدون کمک چنین نرم افزاری ، تعیین ساختار فقط یک پروتئین می تواند سالها کار آزمایشگاهی طول بکشد.
از طرف دیگر ، RoseTTAFold می تواند به طور قابل اعتماد در کمتر از ده دقیقه یک ساختار پروتئین را در یک کامپیوتر مخصوص محاسبه کند.
این تیم از RoseTTAFold برای محاسبه صدها ساختار پروتئینی جدید ، از جمله بسیاری از پروتئین های ضعیف درک شده از ژنوم انسان ، استفاده کرد. آنها همچنین ساختارهایی را ایجاد کردند که مستقیماً به سلامت انسان مربوط می شوند ، از جمله ساختارهای مربوط به پروتئین های مرتبط با متابولیسم چربی مشکل ، اختلالات التهابی و رشد سلول های سرطانی. و آنها نشان می دهند که RoseTTAFold می تواند برای ساخت مدلهای مجتمع بیولوژیکی پیچیده در کسری از زمان مورد نیاز قبلی استفاده شود.
RoseTTAFold یک شبکه عصبی “سه مرحله ای” است ، به این معنی که همزمان توالی های پروتئینی ، نحوه تعامل اسیدهای آمینه پروتئین با یکدیگر و ساختار سه بعدی احتمالی پروتئین را در نظر می گیرد. در این معماری ، اطلاعات یک ، دو و سه بعدی به عقب و جلو جریان می یابد ، در نتیجه به شبکه اجازه می دهد تا درمورد رابطه بین قطعات شیمیایی پروتئین و ساختار چین خورده آن استدلال کند. مینکیونگ بائک ، دانشمند فوق دکترا که این پروژه را در آزمایشگاه بیکر در UW Medicine رهبری کرد ، گفت: “ما امیدواریم که این ابزار جدید به نفع کل جامعه تحقیق باشد.”
