Baltymų lankstymasis: skaičiuojamosios biologijos algoritmai ir jų poveikis

Baltymų lankstymasis – procesas, kurio metu polipeptidinė grandinė įgauna savo funkcinę trimatę (3D) struktūrą – yra fundamentali biologijos problema. Specifinis 3D atomų išsidėstymas nulemia baltymo funkciją, leidžiančią jam atlikti įvairius vaidmenis ląstelėje, pavyzdžiui, katalizuoti biochemines reakcijas, transportuoti molekules ir teikti struktūrinę atramą. Suprasti principus, valdančius baltymų lankstymąsi, yra itin svarbu norint suvokti biologinius procesus ir kurti naujas terapijas ligoms, susijusioms su netinkamu baltymų lankstymusi.

„Lankstymosi problema“ – tai iššūkis nuspėti baltymo 3D struktūrą pagal jo aminorūgščių seką. Nors eksperimentiniai metodai, tokie kaip rentgeno kristalografija, BMR spektroskopija ir krio-elektroninė mikroskopija, gali nustatyti baltymų struktūras, jie dažnai yra daug laiko reikalaujantys, brangūs ir ne visada taikomi visiems baltymams. Skaičiuojamieji metodai siūlo papildomą ir vis galingesnį būdą prognozuoti ir suprasti baltymų lankstymąsi.

Baltymų lankstymosi reikšmė

Baltymų lankstymosi svarba apima daugelį biologijos ir medicinos sričių:

• Ligos supratimas: Daugelis ligų, įskaitant Alzheimerio, Parkinsono, Huntingtono ir prionų ligas, yra susijusios su netinkamu baltymų lankstymusi ir agregacija. Supratimas, kaip baltymai netinkamai susilanksto, gali padėti sukurti tikslines terapijas. Pavyzdžiui, tiriant amiloido-beta peptido netinkamą lankstymąsi Alzheimerio ligos atveju, naudojami skaičiuojamieji modeliai, siekiant ištirti galimas terapines intervencijas, kurios užkirstų kelią agregacijai.
• Vaistų atradimas: Žinios apie baltymo struktūrą yra būtinos racionaliam vaistų kūrimui. Suprasdami taikinio baltymo 3D struktūrą, mokslininkai gali sukurti vaistus, kurie specifiškai jungiasi prie baltymo ir moduliuoja jo funkciją. Struktūrinė biologija, palaikoma skaičiavimo metodais, buvo svarbi kuriant vaistus, nukreiptus į ŽIV proteazę ir gripo neuraminidazę, demonstruojant struktūra pagrįsto vaistų kūrimo galią.
• Baltymų inžinerija: Gebėjimas prognozuoti ir manipuliuoti baltymų struktūra leidžia mokslininkams kurti baltymus su naujomis funkcijomis ar patobulintomis savybėmis pramoniniam ir biotechnologiniam pritaikymui. Tai apima fermentų su padidintu kataliziniu aktyvumu projektavimą, baltymų su padidintu stabilumu kūrimą ir naujų biomedžiagų kūrimą. Pavyzdžiai apima fermentų inžineriją biokuro gamybai ir antikūnų su patobulintu surišimo afinitetu projektavimą.
• Fundamentali biologija: Baltymų lankstymosi principų išaiškinimas suteikia įžvalgų apie fundamentalius biologijos dėsnius ir padeda mums suprasti, kaip gyvybė veikia molekuliniu lygmeniu. Tai pagerina mūsų supratimą apie ryšį tarp sekos, struktūros ir funkcijos bei leidžia mums įvertinti biologinių sistemų eleganciją.

Skaičiuojamieji požiūriai į baltymų lankstymąsi

Skaičiuojamoji biologija naudoja įvairius algoritmus ir metodus baltymų lankstymosi problemai spręsti. Šiuos metodus galima plačiai suskirstyti į fizikinius (ab initio), žiniomis pagrįstus (šabloninius) ir hibridinius metodus. Mašininio mokymosi iškilimas taip pat revoliucionizavo šią sritį, o tokie algoritmai kaip giluminis mokymasis rodo nepaprastą sėkmę.

1. Fizika pagrįsti (Ab Initio) metodai

Ab initio, arba „iš pirmųjų principų“, metodai bando imituoti fizikines jėgas, valdančias baltymų lankstymąsi, naudojant fizikos dėsnius. Šie metodai remiasi energijos funkcijomis (jėgų laukais), kurios aprašo sąveikas tarp atomų baltyme ir jo aplinkoje. Tikslas yra rasti natūralią baltymo struktūrą, minimizuojant jo potencinę energiją.

a. Molekulinės dinamikos (MD) simuliacijos

MD simuliacijos yra galingas įrankis tirti dinaminį baltymų elgesį. Jos apima Niutono judėjimo lygčių skaitinį sprendimą visiems sistemos atomams, leidžiantį mokslininkams stebėti, kaip baltymas juda ir lankstosi laikui bėgant. MD simuliacijos suteikia detalų, atomistinį lankstymosi proceso vaizdą, fiksuojant trumpalaikes sąveikas ir vykstančius konformacinius pokyčius.

Pagrindiniai MD simuliacijų aspektai:

• Jėgų laukai: Tikslūs jėgų laukai yra būtini patikimoms MD simuliacijoms. Įprasti jėgų laukai apima AMBER, CHARMM, GROMOS ir OPLS. Šie jėgų laukai apibrėžia potencinės energijos funkciją, kuri apima terminus, skirtus ryšių tempimui, kampų lenkimui, sukimo rotacijai ir nesusijusioms sąveikoms (van der Valso ir elektrostatinėms jėgoms).
• Tirpiklių modeliai: Baltymai lankstosi tirpiklio aplinkoje, paprastai vandenyje. Tirpiklių modeliai atspindi sąveikas tarp baltymo ir aplinkinių vandens molekulių. Įprasti tirpiklių modeliai apima TIP3P, TIP4P ir SPC/E.
• Simuliacijos laiko skalės: Baltymų lankstymasis gali vykti laiko skalėse nuo mikrosekundžių iki sekundžių ar net ilgiau. Standartinės MD simuliacijos dažnai yra ribojamos nanosekundėmis ar mikrosekundėmis dėl skaičiavimo kaštų. Pažangios technikos, tokios kaip patobulinti atrankos metodai, naudojamos šiems apribojimams įveikti ir ilgesnėms laiko skalėms tirti.
• Patobulinti atrankos metodai: Šie metodai pagreitina konformacinės erdvės tyrinėjimą, nukreipdami simuliaciją link energetiškai nepalankių sričių arba įvesdami kolektyvinius kintamuosius, kurie apibūdina bendrą baltymo formą. Pavyzdžiai apima „skėčio“ atranką (umbrella sampling), replikų mainų MD (REMD) ir metadinamiką.

Pavyzdys: Mokslininkai naudojo MD simuliacijas su patobulintais atrankos metodais, kad ištirtų mažų baltymų, tokių kaip vilino galvutė ir čignolinas, lankstymąsi, suteikdami įžvalgų apie lankstymosi kelius ir energijos peizažus. Šios simuliacijos padėjo patvirtinti jėgų laukus ir pagerinti mūsų supratimą apie fundamentalius baltymų lankstymosi principus.

b. Monte Karlo (MC) metodai

Monte Karlo metodai yra skaičiavimo algoritmų klasė, kuri remiasi atsitiktine atranka siekiant gauti skaitinius rezultatus. Baltymų lankstymosi srityje MC metodai naudojami tiriant baltymo konformacinę erdvę ir ieškant žemiausios energijos būsenos.

Pagrindiniai MC metodų aspektai:

• Konformacinė atranka: MC metodai generuoja atsitiktinius baltymo struktūros pokyčius ir įvertina gautos konformacijos energiją. Jei energija yra mažesnė nei ankstesnės konformacijos, pokytis priimamas. Jei energija yra didesnė, pokytis priimamas su tikimybe, kuri priklauso nuo temperatūros ir energijos skirtumo, pagal Metropolis kriterijų.
• Energijos funkcijos: MC metodai taip pat remiasi energijos funkcijomis, kad įvertintų skirtingų konformacijų stabilumą. Energijos funkcijos pasirinkimas yra lemiamas rezultatų tikslumui.
• Imituojamas atkaitinimas: Imituojamas atkaitinimas yra įprasta MC technika, naudojama baltymų lankstymuisi. Ji apima laipsnišką sistemos temperatūros mažinimą, leidžiantį baltymui ištirti platų konformacijų spektrą aukštose temperatūrose, o po to nusistovėti žemos energijos būsenoje žemose temperatūrose.

Pavyzdys: MC metodai buvo naudojami prognozuoti mažų peptidų ir baltymų struktūras. Nors jie nėra tokie tikslūs kaip MD simuliacijos detaliems dinaminiams tyrimams, MC metodai gali būti skaičiavimo požiūriu efektyvūs tiriant dideles konformacines erdves.

2. Žiniomis pagrįsti (šabloniniai) metodai

Žiniomis pagrįsti metodai išnaudoja gausią struktūrinę informaciją, esančią duomenų bazėse, tokiose kaip Baltymų duomenų bankas (PDB). Šie metodai remiasi principu, kad baltymai su panašiomis sekomis dažnai turi panašias struktūras. Juos galima plačiai suskirstyti į homologijos modeliavimą ir vėrimą (angl. threading).

a. Homologijos modeliavimas

Homologijos modeliavimas, dar vadinamas lyginamuoju modeliavimu, naudojamas prognozuoti baltymo struktūrą remiantis homologinio baltymo, turinčio žinomą struktūrą (šabloną), struktūra. Homologijos modeliavimo tikslumas priklauso nuo sekų panašumo tarp tiriamojo baltymo ir šablono baltymo. Paprastai didelis sekų panašumas (didesnis nei 50%) lemia tikslesnius modelius.

Homologijos modeliavimo etapai:

1. Šablono paieška: Pirmasis žingsnis yra nustatyti tinkamus šabloninius baltymus PDB. Tai paprastai atliekama naudojant sekų lygiavimo algoritmus, tokius kaip BLAST ar PSI-BLAST.
2. Sekų lygiavimas: Tiriamojo baltymo seka lygiuojama su šablono baltymo seka. Tikslus sekų lygiavimas yra lemiamas galutinio modelio kokybei.
3. Modelio kūrimas: Remiantis sekų lygiavimu, sukuriamas tiriamojo baltymo 3D modelis, naudojant šablono baltymo koordinates. Tai apima šablono baltymo koordinačių kopijavimą į atitinkamas tiriamojo baltymo liekanas.
4. Kilpų modeliavimas: Tiriamojo baltymo sritys, kurios gerai nesutampa su šabloniniu baltymu (pvz., kilpų sritys), yra modeliuojamos naudojant specializuotus algoritmus.
5. Modelio tobulinimas: Pradinis modelis tobulinamas naudojant energijos minimizavimą ir MD simuliacijas, siekiant pagerinti jo stereochemiją ir pašalinti sterinius susidūrimus.
6. Modelio vertinimas: Galutinis modelis vertinamas naudojant įvairius kokybės vertinimo įrankius, siekiant užtikrinti jo patikimumą.

Pavyzdys: Homologijos modeliavimas buvo plačiai naudojamas prognozuoti baltymų, dalyvaujančių įvairiuose biologiniuose procesuose, struktūras. Pavyzdžiui, jis buvo naudojamas modeliuoti antikūnų, fermentų ir receptorių struktūras, suteikiant vertingos informacijos vaistų atradimui ir baltymų inžinerijai.

b. Vėrimas (angl. Threading)

Vėrimas, dar vadinamas lankstinio atpažinimu (angl. fold recognition), naudojamas nustatyti geriausiai tinkantį lankstinį baltymo sekai iš žinomų baltymų lankstinių bibliotekos. Skirtingai nuo homologijos modeliavimo, vėrimas gali būti naudojamas net ir tada, kai nėra reikšmingo sekų panašumo tarp tiriamojo baltymo ir šabloninių baltymų.

Vėrimo etapai:

1. Lankstinių biblioteka: Sukuriama žinomų baltymų lankstinių biblioteka, paprastai remiantis PDB esančiomis struktūromis.
2. Sekos-struktūros lygiavimas: Tiriamojo baltymo seka lygiuojama su kiekvienu lankstiniu bibliotekoje. Tai apima sekos suderinamumo su kiekvieno lankstinio struktūrine aplinka įvertinimą.
3. Įvertinimo funkcija: Naudojama įvertinimo funkcija, skirta įvertinti sekos-struktūros lygiavimo kokybę. Įvertinimo funkcija paprastai atsižvelgia į tokius veiksnius kaip aminorūgščių tipų suderinamumas su vietine aplinka, tankis ir antrinės struktūros pageidavimai.
4. Lankstinių reitingavimas: Lankstiniai reitinguojami pagal jų balus, o aukščiausiai įvertintas lankstinys pasirenkamas kaip prognozuojamas lankstinys tiriamajam baltymui.
5. Modelio kūrimas: Remiantis pasirinktu lankstiniu, sukuriamas tiriamojo baltymo 3D modelis.

Pavyzdys: Vėrimas buvo naudojamas nustatyti baltymų su naujomis sekomis arba su silpnu sekų panašumu į žinomus baltymus lankstinius. Jis buvo ypač naudingas nustatant membraninių baltymų lankstinius, kuriuos dažnai sunku kristalizuoti.

3. Hibridiniai metodai

Hibridiniai metodai sujungia tiek fizikinių, tiek žiniomis pagrįstų metodų elementus, siekiant pagerinti baltymų struktūros prognozavimo tikslumą ir efektyvumą. Šie metodai dažnai naudoja žiniomis pagrįstus apribojimus ar įvertinimo funkcijas, kad nukreiptų fizikines simuliacijas, arba atvirkščiai.

Pavyzdys: Rosetta programa yra plačiai naudojamas hibridinis metodas, kuris sujungia žiniomis pagrįstus ir ab initio metodus. Ji naudoja įvertinimo funkciją, kuri apima tiek energijos terminus, tiek statistinius potencialus, gautus iš žinomų baltymų struktūrų. Rosetta sėkmingai prognozavo platų baltymų spektrą, įskaitant baltymus su naujais lankstiniais.

4. Mašininio mokymosi metodai

Mašininio mokymosi, ypač giliojo mokymosi, atsiradimas revoliucionizavo baltymų lankstymosi sritį. Mašininio mokymosi algoritmai gali išmokti sudėtingus modelius iš didelių baltymų sekų ir struktūrų duomenų rinkinių, ir jie gali būti naudojami prognozuoti baltymų struktūras su precedento neturinčiu tikslumu.

a. Gilusis mokymasis baltymų struktūros prognozavimui

Giliojo mokymosi modeliai, tokie kaip konvoliuciniai neuroniniai tinklai (CNN) ir rekurentiniai neuroniniai tinklai (RNN), buvo naudojami prognozuoti įvairius baltymų struktūros aspektus, įskaitant antrinę struktūrą, kontaktų žemėlapius ir atstumus tarp liekanų. Šios prognozės gali būti naudojamos kuriant 3D modelius.

Pagrindinės giliojo mokymosi architektūros, naudojamos baltymų struktūros prognozavimui:

• Konvoliuciniai neuroniniai tinklai (CNN): CNN naudojami identifikuoti vietinius modelius baltymų sekose ir prognozuoti antrinės struktūros elementus (alfa spirales, beta klostes ir kilpas).
• Rekurentiniai neuroniniai tinklai (RNN): RNN naudojami fiksuoti ilgalaikes priklausomybes baltymų sekose ir prognozuoti kontaktų žemėlapius (žemėlapius, rodančius, kurios liekanos yra arti viena kitos 3D struktūroje).
• Dėmesio mechanizmai: Dėmesio mechanizmai leidžia modeliui sutelkti dėmesį į svarbiausias baltymo sekos dalis, kai daromos prognozės.

b. AlphaFold ir jo poveikis

AlphaFold, sukurta DeepMind, yra giliojo mokymosi sistema, pasiekusi proveržį baltymų struktūros prognozavime. AlphaFold naudoja naujovišką architektūrą, kuri sujungia CNN ir dėmesio mechanizmus, kad prognozuotų atstumus ir kampus tarp liekanų. Šios prognozės tada naudojamos generuoti 3D modelį naudojant gradientinio nusileidimo algoritmą.

Pagrindinės AlphaFold savybės:

• Vientisas mokymasis (end-to-end): AlphaFold yra apmokytas vientisai, kad prognozuotų baltymų struktūras tiesiogiai iš aminorūgščių sekų.
• Dėmesio mechanizmas: Dėmesio mechanizmas leidžia modeliui sutelkti dėmesį į svarbiausias sąveikas tarp aminorūgščių.
• Perdirbimas (recycling): AlphaFold iteraciškai tobulina savo prognozes, grąžindamas jas atgal į modelį.

AlphaFold dramatiškai pagerino baltymų struktūros prognozavimo tikslumą, pasiekdamas beveik eksperimentinį tikslumą daugeliui baltymų. Jo poveikis šiai sričiai buvo didžiulis, pagreitinantis tyrimus įvairiose biologijos ir medicinos srityse, įskaitant vaistų atradimą, baltymų inžineriją ir ligų mechanizmų supratimą.

Pavyzdys: AlphaFold sėkmė CASP (Kritinis struktūros prognozavimo vertinimas) konkurse parodė giliojo mokymosi galią baltymų struktūros prognozavimui. Jo gebėjimas tiksliai prognozuoti anksčiau neišspręstų baltymų struktūras atvėrė naujas tyrimų ir atradimų galimybes.

Iššūkiai ir ateities kryptys

Nepaisant didelių pasiekimų skaičiuojamojo baltymų lankstymosi srityje, išlieka keletas iššūkių:

• Tikslumas: Nors metodai, tokie kaip AlphaFold, žymiai pagerino tikslumą, vis dar yra iššūkis prognozuoti visų baltymų struktūras su dideliu tikslumu, ypač baltymų su sudėtingais lankstiniais arba neturinčių homologinių šablonų.
• Skaičiavimo kaštai: Fizika pagrįstos simuliacijos gali būti skaičiavimo požiūriu brangios, ribojančios jų taikymą dideliems baltymams ar ilgoms laiko skalėms. Efektyvesnių algoritmų kūrimas ir didelio našumo skaičiavimo išteklių naudojimas yra būtini šiam apribojimui įveikti.
• Membraniniai baltymai: Membraninių baltymų struktūrų prognozavimas išlieka ypač sudėtingas dėl membranos aplinkos sudėtingumo ir riboto eksperimentinių struktūrų prieinamumo.
• Baltymų dinamika: Suprasti dinaminį baltymų elgesį yra būtina norint suprasti jų funkciją. Skaičiavimo metodų, galinčių tiksliai atspindėti baltymų dinamiką, kūrimas išlieka aktyvia tyrimų sritimi.
• Netinkamas lankstymasis ir agregacija: Skaičiavimo modelių, galinčių prognozuoti baltymų netinkamą lankstymąsi ir agregaciją, kūrimas yra būtinas norint suprasti ir gydyti ligas, susijusias su netinkamu baltymų lankstymusi.

Ateities kryptys skaičiuojamojo baltymų lankstymosi srityje apima:

• Jėgų laukų tobulinimas: Tikslesnių ir patikimesnių jėgų laukų kūrimas yra būtinas siekiant pagerinti fizika pagrįstų simuliacijų tikslumą.
• Patobulintų atrankos metodų kūrimas: Efektyvesnių patobulintų atrankos metodų kūrimas yra būtinas tiriant ilgesnes laiko skales ir simuliuojant sudėtingus biologinius procesus.
• Mašininio mokymosi integravimas su fizika pagrįstais metodais: Mašininio mokymosi ir fizika pagrįstų metodų stiprybių sujungimas gali lemti tikslesnius ir efektyvesnius baltymų struktūros prognozavimo algoritmus.
• Metodų, skirtų baltymų dinamikai prognozuoti, kūrimas: Skaičiavimo metodų, galinčių tiksliai atspindėti baltymų dinamiką, kūrimas yra būtinas norint suprasti baltymų funkciją.
• Baltymų netinkamo lankstymosi ir agregacijos problemos sprendimas: Tęstiniai tyrimai, skirti skaičiavimo modeliams, kurie prognozuotų ir padėtų suprasti baltymų netinkamą lankstymąsi ir agregaciją, yra gyvybiškai svarbūs kuriant naujas terapijas ligoms, tokioms kaip Alzheimerio ir Parkinsono.

Išvada

Baltymų lankstymasis yra pagrindinė skaičiuojamosios biologijos problema, turinti didelę reikšmę biologinių procesų supratimui ir naujų terapijų kūrimui. Skaičiavimo algoritmai, pradedant fizika pagrįstomis simuliacijomis, baigiant žiniomis pagrįstais metodais ir mašininio mokymosi metodais, atlieka kritinį vaidmenį prognozuojant ir suprantant baltymų struktūras. Naujausia giliojo mokymosi metodų, tokių kaip AlphaFold, sėkmė tapo reikšmingu etapu šioje srityje, paspartindama tyrimus įvairiose biologijos ir medicinos srityse. Kadangi skaičiavimo metodai ir toliau tobulės, jie suteiks dar daugiau įžvalgų į sudėtingą baltymų lankstymosi pasaulį, atverdami kelią naujiems atradimams ir inovacijoms.