Dihedral Angle Adherence: Evaluating Protein Structure Predictions in the Absence of Experimental Data
यह शोध पत्र प्रयोगात्मक संदर्भ डेटा के बिना, महलानोबिस दूरी (Mahalanobis distance) के माध्यम से डायहेड्रल कोण वितरणों का विश्लेषण करके प्रोटीन संरचना भविष्यवाणियों का मूल्यांकन करने के लिए एक नवीन विधि प्रस्तावित करता है, जो पारंपरिक RMSD के साथ सहसंबंध रखने वाला एक मीट्रिक प्रदान करता है और साथ ही संरचनात्मक सुधार के लिए विशिष्ट क्षेत्रों की पहचान करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
प्रोटीन जीवन के कार्यवाहक हैं, नन्हे आणविक मशीनें जो हमारी मांसपेशियों का निर्माण करती हैं, हमारे भोजन को पचाती हैं और संक्रमणों से लड़ती हैं। यह समझने के लिए कि एक प्रोटीन अपना काम कैसे करता है, वैज्ञानिकों को उसके त्रि-आयामी आकार को जानना आवश्यक है, क्योंकि एक प्रोटीन का कार्य पूरी तरह से उसके रूप द्वारा निर्धारित होता है। दशकों तक, इस आकार को देखने का एकमात्र तरीका प्रोटीन के क्रिस्टल उगाना और उन पर एक्स-रे की बौछार करना था, जो एक धीमी और महंगी प्रक्रिया है और कई प्रोटीनों को बिना अध्ययन के ही छोड़ देती है। हाल के वर्षों में, शक्तिशाली कंप्यूटर प्रोग्रामों ने केवल प्रोटीन के आनुवंशिक कोड को पढ़कर इन आकारों की भविष्यवाणी करना सीख लिया है, जो एक ऐसी सफलता है जिसने जीव विज्ञान में क्रांति ला दी है। हालाँकि, एक नई समस्या उत्पन्न हुई है: जब आपके पास तुलना करने के लिए कोई प्रयोगात्मक रूप से मापा गया आकार न हो, तो आप कैसे जान सकते हैं कि कंप्यूटर की भविष्यवाणी सही है या नहीं? किसी "ग्राउंड ट्रुथ" (वास्तविक सत्य) के बिना जिसे जांचा जा सके, शोधकर्ता अंधेरे में हाथ-पांव मार रहे थे, वे यह बताने में असमर्थ थे कि क्या कोई भविष्यवाणी केवल एक अनुमान है या एक वास्तविक खोज, या यह भी कि भविष्यवाणी कहाँ गलत हो सकती है।
साउथ कैरोलिना विश्वविद्यालय के दो शोधकर्ताओं ने इस पहेली को सुलझाने का एक नया तरीका प्रस्तावित किया है, जिसमें भविष्यवाणी को सत्यापित करने के लिए ज्ञात उत्तर की आवश्यकता नहीं होती है। एक अनुमानित आकार और एक वास्तविक आकार के बीच की दूरी को मापने के बजाय, उन्होंने यह देखने का निर्णय लिया कि प्रोटीन के निर्माण खंड (building blocks) किन कोणों पर मुड़ते हैं। एक प्रोटीन की कल्पना मोतियों की एक लंबी श्रृंखला के रूप में करें, जहाँ प्रत्येक मोती एक अमीनो एसिड है। श्रृंखला जिस तरह से मुड़ती और घूमती है, वह इन मोतियों के बीच के कोणों पर निर्भर करती है। शोधकर्ताओं ने तर्क दिया कि प्रकृति इन कोणों के बारे में सख्त नियमों का पालन करती है; मोतियों के कुछ अनुक्रम लगभग हमेशा एक ही तरह से मुड़ेंगे, चाहे वे किसी भी प्रोटीन का हिस्सा हों। लाखों ज्ञात प्रोटीन संरचनाओं का अध्ययन करके, जो एक वैश्विक डेटाबेस में संग्रहीत हैं, उन्होंने हर संभव पांच या छह मोतियों के अनुक्रम के लिए सबसे सामान्य कोणों का मानचित्र तैयार किया। इसने "अपेक्षित" मोड़ का एक विशाल पुस्तकालय बनाया, जो इस बात का आधार बना कि प्रकृति आमतौर पर क्या करती है।
टीम ने इन कंप्यूटर भविष्यवाणियों का परीक्षण करने के लिए इस पुस्तकालय को लागू किया। उन्होंने एक अनुमानित प्रोटीन संरचना ली, उसे मोतियों के छोटे अनुक्रमों में विभाजित किया, और भविष्यवाणी में कोणों की जाँच अपने पुस्तमाल के अपेक्षित कोणों से की। यदि भविष्यवाणी प्रकृति में पाए जाने वाले सामान्य पैटर्न से मेल खाती थी, तो उसे उच्च स्कोर दिया जाता था। यदि कोण अजीब या अस्वाभाविक थे, तो स्कोर कम हो जाता था। इस पद्धति ने उन्हें वास्तविक, प्रयोगात्मक रूप से निर्धारित आकार को देखे बिना भी एक भविष्यवाणी की गुणवत्ता का मूल्यांकन करने की अनुमति दी। जब उन्होंने एक प्रमुख अंतर्राष्ट्रीय प्रतियोगिता की हजारों भविष्यवाणियों पर इस दृष्टिकोण का परीक्षण किया, तो उन्होंने पाया कि उनकी नई स्कोरिंग प्रणाली विशेषज्ञों द्वारा उपयोग की जाने वाली पारंपरिक विधि के साथ मजबूती से सह-संबंधित (correlate) थी। यह सुझाव देता है कि उनका कोण-आधारित चेक, भले ही कोई वास्तविक संरचना संदर्भ के रूप में मौजूद न हो, सटीकता को आंकने का एक विश्वसनीय तरीका है।
केवल एक स्कोर देने के अलावा, यह नया उपकरण इस बात का नक्शा भी प्रदान करता है कि भविष्यवाणी कहाँ विफल हो सकती है। क्योंकि यह पद्धति श्रृंखला के प्रत्येक एकल मोती की जाँच करती है, इसलिए यह सटीक रूप से उन हिस्सों की पहचान कर सकती है जहाँ के कोण संदिग्ध दिखते हैं। अपने विश्लेषण में, शोधकर्ताओं ने उन विशिष्ट क्षेत्रों की पहचान की जहाँ कंप्यूटर मॉडल लगातार प्राकृतिक पैटर्न से विचलित होते हैं, जिससे इन स्थानों को सुधार की आवश्यकता वाले क्षेत्रों के रूप में रेखांकित किया गया। उन्होंने यह भी पाया कि जब उन्होंने अपने स्कोर की तुलना वास्तविक प्रयोगात्मक संरचनाओं से की, तो भविष्यवाणी के वे हिस्से जो उनके तरीके के अनुसार सबसे अधिक "गलत" दिख रहे थे, वास्तव में वही हिस्से थे जो वास्तविकता से सबसे अधिक भिन्न थे। इसका अर्थ है कि यह उपकरण एक मार्गदर्शक के रूप में कार्य कर सकता है, जो वैज्ञानिकों को यह बता सकता है कि उन्हें अपने मॉडल को परिष्कृत करने के लिए अपना प्रयास कहाँ केंद्रित करना चाहिए।
शोधकर्ता स्वीकार करते हैं कि उनकी विधि अभी तक सटीकता को मापने के पुराने तरीके का पूर्ण प्रतिस्थापन नहीं है, क्योंकि यह वर्तमान में पूरे प्रोटीन के लिए एक एकल संख्या के बजाय प्रोटीन के प्रत्येक व्यक्तिगत भाग के लिए एक स्कोर उत्पन्न करती है। हालाँकि, उनके द्वारा खोजे गए नए मीट्रिक और स्थापित मानक के बीच मजबूत संबंध ने सिद्ध किया है कि यह अवधारणा काम करती है। प्रोटीनों को जोड़ने वाले मौलिक कोणों पर ध्यान केंद्रित करके, उन्होंने बिना धीमे, महंगे प्रयोगों की प्रतीक्षा किए भविष्यवाणियों का मूल्यांकन करने और उन्हें बेहतर बनाने का एक मार्ग खोल दिया है। यह दृष्टिकोण प्रोटीन संरचना भविष्यवाणियों की अगली पीढ़ी को परिष्कृत करने के लिए एक आशाजनक मार्ग प्रदान करता है, यह सुनिश्चित करते हुए कि आधुनिक चिकित्सा का मार्गदर्शन करने वाले डिजिटल मॉडल यथासंभव सटीक हों।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।