Igen nehéz átlátni azt a biológiai folyamatot, amit a biológusok " fehérje-hajtogatási problémának" neveznek, és aminek a megfejtése a gyógyítás szent grálja is lehet. A fehérjék a sejtek igáslovai, és minden élő szervezetben jelen vannak. Hosszú aminosavláncokból állnak, és létfontosságúak a sejtek felépítéséhez, a sejtközi kommunikációhoz, valamint a test mindennemű kémiai szabályozásához.
A "fehérje-hajtogatási probléma" régóta a biológia egyik legnagyobb kihívása, mert nagyon sok fehérje van, és 3D-s formájukat nehéz feltérképezni. Szinte minden betegség - beleértve a rákot, a demenciát és még az olyan fertőző betegségeket is, mint a COVID-19 - összefügg ezeknek a fehérjéknek a működésével. A Google tulajdonában lévő londoni DeepMind AI laboratórium azt állítja, hogy az AlphaFold mély tanulási programja megoldotta az 50 éves problémát, és képes megjósolni sok fehérje alakját.
A mély tanulás képessége tárja fel a titkokat
A mély tanulás egy olyan számítástechnikai eljárás, amely az adatkészletek gyakran elrejtett információit használja fel az érdekes kérdések megoldására. Széles körben használják egy sor manapság forró területen, például a játékok fejlesztésében, a beszéd- és a hangfelismerésben, az autonóm autóknál, számos tudományágban, beleértve az orvostudományt. Az olyan eszközök, mint az AlphaFold2, segítenek a tudósoknak új típusú fehérjék megtervezésében, amelyek például elősegíthetik a műanyagok lebontását és a jövőbeni vírusos járványok és betegségek leküzdését.
Jelenleg 200 millió ismert fehérje van, de valójában csak a töredéküket bontották ki, hogy teljes mértékben megértsék, mit tesznek és hogyan működnek. A kutatók szerint a rendszer néhány nap alatt képes meghatározni a nagyon pontos struktúrákat. A CASP14 tudóscsoport 1994 óta foglalkozik a fehérjestruktúrák előrejelzésével.
"A fehérjék rendkívül bonyolult molekulák, és a pontos háromdimenziós felépítésük kulcsfontosságú az általuk végzett számos szerep szempontjából. Az inzulin, amely szabályozza a vércukorszintünket, és az antitestek, amelyek segítenek a fertőzések leküzdésében" - mondta Dr. John Moult, a CASP14 tagja a BBC Science Focusnak .
Ezeknek a létfontosságú molekuláknak még az apró átrendeződése is katasztrofális hatást gyakorolhat egészségünkre, ezért a betegség megértésének és az új kezelések megtalálásának egyik leghatékonyabb módja az érintett fehérjék tanulmányozása. Emberi fehérjéből is több tízezer van, és milliárd található más fajokban, beleértve a baktériumokat és vírusokat is, de egyetlen fehérje alakjának kidolgozása is drága felszerelést kíván, és évekbe telhet.
Aminosav szekvencia és 3D alakzat
Az aminosavak szekvenciája - amelyet a DNS kódol - meghatározza a fehérje 3D alakját. Az alak pedig meghatározza a fehérje funkcióját. Ha a fehérje szerkezete megváltozik, nem képes ellátni a feladatát. Azonban az aminosav-szekvencia alapján a fehérje hajlatok helyes előrejelzése forradalmasíthatja a gyógyszertervezést, és megmagyarázhatja új és régi betegségek okait.
Amint a kutatók jobban meg tudják jósolni, hogy a fehérjék hogyan hajlanak össze, azt is jobban megérthetik, hogyan működnek a sejtek, és hogy a rosszul összehajtott fehérjék miként okoznak betegséget. A jobb fehérjebecslési eszközök segítenek olyan gyógyszerek tervezésében is, amelyek megcélozhatják a fehérje egy adott topológiai régióját, ahol kémiai reakciók zajlanak.
Az AlphaFold potenciális hatása akkor értékelhető igazán, ha összevetjük az összes közzétett fehérjeszerkezet számát - azaz körülbelül 170 ezret - az univerzális fehérje adatbázisban elhelyezett 180 millió DNS- és fehérjeszekvenciával. Az AlphaFold segít a DNS-szekvenciák kincsesbányáinak rendezésében, egyedi struktúrájú és funkciójú új fehérjék után kutatva. A legutóbbi teszt során a DeepMind szerint az AlphaFold a fehérjék körülbelül kétharmadának alakját a laboratóriumi kísérletekhez hasonló pontossággal határozta meg. De a projekt mögött álló kutatók szerint még mindig sok a tennivaló, például előttük áll annak kiderítése, hogy több fehérje hogyan képez komplexeket, és hogyan hatnak egymásra a DNS-sel.
