PHASE: encoding global protein ensembles with local Hamiltonians and all-atom backmapping
यह शोध पत्र PHASE को प्रस्तुत करता है, जो एक ऐसा ढांचा है जो स्थानीय हैमिल्टोनियन (local Hamiltonians) और ऑल-एटम बैकमैपिंग (all-atom backmapping) का उपयोग करके परमाणु स्तर के प्रोटीन संरचनात्मक एन्सेम्बल्स (atomistic protein conformational ensembles) को संक्षिप्त, व्याख्यात्मक सांख्यिकीय मॉडलों में परिवर्तित करता है, जिससे जटिल सक्रियण परिदृश्यों (activation landscapes) का पुनर्निर्माण और क्लासिकल एवं क्वांटम एनीलिंग के लिए प्रत्यक्ष एनकोडिंग सक्षम होती 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 कठोर मूर्तियाँ नहीं हैं; वे लचीली मशीनें हैं जो अपना काम करने के लिए लगातार अपना आकार बदलती रहती हैं। एक एकल प्रोटीन अणु केवल एक ही रूप में मौजूद नहीं होता, बल्कि कई थोड़े अलग आकारों के एक समूह के रूप में होता है, जिसे 'कॉन्फॉर्मेशनल एनसेंबल' (conformational ensemble) कहा जाता है। ये आकार तब बदलते हैं जब प्रोटीन अन्य अणुओं, जैसे कि दवाओं या सिग्नलिंग पार्टनर्स के साथ परस्पर क्रिया करता है, और ये बदलाव यह निर्धारित करते हैं कि प्रोटीन सिग्नल को चालू करता है या बंद करता है। दशकों से, वैज्ञानिक इन बदलते आकारों को समझने के लिए विशाल कंप्यूटर सिमुलेशन चलाकर प्रयास कर रहे हैं, जो अणु के प्रत्येक परमाणु को समय के साथ ट्रैक करते हैं। हालांकि ये सिमुलेशन टेराबाइट्स डेटा उत्पन्न करते हैं, लेकिन इनका कच्चा आउटपुट अक्सर केवल स्थितियों की एक लंबी सूची होता है, जिससे यह देखना कठिन हो जाता है कि प्रोटीन की गति को नियंत्रित करने वाले अंतर्निहित नियम क्या हैं या यह भविष्य में कौन से नए आकार ले सकता है। चुनौती इस अराजक परमाणु स्थितियों की धारा को एक स्पष्ट, संक्षिप्त मानचित्र में बदलने की रही है जो प्रोटीन के विभिन्न हिस्सों के बीच सांख्यिकीय संबंधों को समझा सके।
स्विट्जरलैंड के यूलर इंस्टीट्यूट के शोधकर्ताओं ने इस समस्या को हल करने के लिए PHASE नामक एक नई विधि विकसित की है। उन्होंने एक ऐसी प्रणाली बनाई है जो प्रोटीन की जटिल, परमाणु-दर-परमाणु गतिविधियों को एक सरल, व्याख्या योग्य सांख्यिकीय मॉडल में परिवर्तित करती है। अपने दृष्टिकोण का परीक्षण करने के लिए, उन्होंने एडिनोसिन A2A रिसेप्टर पर ध्यान केंद्रित किया, जो मानव शरीर में पाया जाने वाला एक प्रोटीन है और जो यह महत्वपूर्ण भूमिका निभाता है कि कोशिकाएं संकेतों के प्रति कैसे प्रतिक्रिया करती हैं और कुछ दवाएं कैसे काम करती हैं। शोधकर्ताओं ने इस रिसेप्टर के लिए लगभग 37 माइक्रोसेकंड के कंप्यूटर सिमुलेशन डेटा का विश्लेषण किया, जिसमें खाली अवस्था, विभिन्न दवाओं के साथ बंधे होने की अवस्था और सिग्नलिंग प्रोटीन से जुड़े होने जैसी विभिन्न स्थितियां शामिल थीं।
PHASE पद्धति का मुख्य आधार प्रोटीन को उसके व्यक्तिगत निर्माण खंडों, यानी अमीनो एसिड अवशेषों (amino acid residues) में तोड़ना और प्रत्येक के आकार को मानक श्रेणियों के एक छोटे सेट का उपयोग करके वर्णित करना है। प्रत्येक परमाणु की सटीक स्थिति को ट्रैक करने के बजाय, यह प्रणाली समान स्थानीय आकारों को विशिष्ट "माइक्रोस्टेट्स" (microstates) में समूहित करती है। पूरे प्रोटीन को इन माइक्रोस्टेट्स के एक अनुक्रम के रूप में देखकर, शोधकर्ता एक गणितीय मानचित्र, या हैमिल्टनियन (Hamiltonian) बनाने में सक्षम हुए, जो यह बताता है कि प्रोटीन किसी दिए गए आकार के संयोजन में होने की कितनी संभावना रखता है। महत्वपूर्ण रूप से, इस मानचित्र को केवल उन अमीनो एसिड के बीच की अंतःक्रियाओं पर विचार करने की आवश्यकता थी जो भौतिक रूप से एक-दूसरे के करीब, लगभग 6 एंगस्ट्रॉम की दूरी पर हैं। केवल इन स्थानीय कनेक्शनों का उपयोग करने के बावजूद, मॉडल ने मूल सिमुलेशन में देखी गई जटिल, दीर्घ-रेंज पैटर्न वाली गति को सफलतापूर्वक पुनरुत्पादित किया। इसका अर्थ है कि प्रोटीन का वैश्विक व्यवहार उसके हिस्सों को जोड़ने वाले सरल, स्थानीय नियमों से स्वाभाविक रूप से उभरता है।
सबसे आश्चर्यजनक निष्कर्षों में से एक यह था कि मॉडल रिसेप्टर की विभिन्न कार्यात्मक अवस्थाओं के बीच अंतर कर सकता था, बिना यह जाने कि वे अवस्थाएं क्या हैं। शोधकर्ताओं ने रिसेप्टर के निष्क्रिय (inactive) और सक्रिय (active) अवस्था के लिए अलग-अलग मॉडल प्रशिक्षित किए। जब उन्होंने इन मॉडलों का उपयोग नई, अनदेखी कॉन्फ़िगरेशन का विश्लेषण करने के लिए किया, तो सिस्टम ने उन्हें निष्क्रिय से सक्रिय के स्पेक्ट्रम के साथ स्वचालित रूप से वर्गीकृत किया। यह वर्गीकरण उन स्थितियों के लिए भी सही ढंग से काम कर गया जिन्हें मॉडल ने पहले नहीं देखा था, जैसे कि जब रिसेप्टर एक ऐसी दवा से बंधा था जो एक मध्यवर्ती आकार को स्थिर करती है। मॉडल ने यह उपलब्धि प्रोटीन के कुछ विशेष आकारों के प्रति उसकी सांख्यिकीय "पसंद" को सीखकर हासिल की, जिससे प्रभावी रूप से एक समन्वय प्रणाली (coordinate system) बन गई जो बाहरी लेबल के बजाय इसकी आंतरिक संरचना के आधार पर प्रोटीन के व्यवहार को व्यवस्थित करती है।
शोधकर्ताओं ने यह भी खोजा कि इस रिसेप्टर का सक्रिय होना पूरे अणु में एक समान परिवर्तन नहीं है। मॉडल को दो क्षेत्रों में तोड़कर—प्रोटीन का वह हिस्सा जो कोशिका के बाहर की ओर है और वह जो अंदर की ओर है—उन्होंने पाया कि विभिन्न दवाएं और सिग्नलिंग पार्टनर्स इन क्षेत्रों को अलग-अलग तरीकों से प्रभावित करते हैं। कुछ स्थितियों ने बाहरी क्षेत्र के आकार को महत्वपूर्ण रूप से बदल दिया जबकि आंतरिक क्षेत्र को अपेक्षाकृत अपरिवर्तित छोड़ दिया, जबकि अन्य स्थितियों का प्रभाव इसके विपरीत था। प्रोटीन में परिवर्तन कहाँ हो रहा है, इसका सटीक मानचित्र बनाने की यह क्षमता, रिसेप्टर के प्रति विभिन्न उद्दीपनों (stimuli) की प्रतिक्रिया का एक विस्तृत फिंगरप्रिंट प्रदान करती है, जो यह समझने का एक नया तरीका है कि दवाएं विशिष्ट कोशिकीय प्रतिक्रियाओं को कैसे ट्रिगर कर सकती हैं।
इन अमूर्त सांख्यिकीय मॉडलों को वास्तविक दुनिया के अनुप्रयोगों के लिए उपयोगी बनाने के लिए, टीम ने एक अंतिम चरण जोड़ा जो सरलीकृत माइक्रोस्टेट विवरणों को पूर्ण, तीन-आयामी परमाणु संरचनाओं में वापस बदल देता है। उन्होंने एक अलग कंप्यूटर मॉडल को प्रशिक्षित किया जो सांख्यिकीय मानचित्र द्वारा उत्पन्न माइक्रोस्टेट्स के अनुक्रम को लेकर प्रोटीन के प्रत्येक परमाणु की सटीक स्थिति को पुनर्गठित कर सके। इस प्रक्रिया को 'बैकमैपिंग' (backmapping) कहा जाता है, जिसने उन्हें नए, भौतिक रूप से यथार्थवादी प्रोटीन आकार उत्पन्न करने की अनुमति दी जो सीखे गए सांख्यिकीय नियमों का पालन करते थे। पुनर्गठित संरचनाएं अत्यधिक सटीक थीं, जिनमें बैकबोन परमाणुओं की स्थिति मूल सिमुलेशन डेटा के भीतर एक एंगस्ट्रॉम से भी कम थी। इसने चक्र को पूरा कर दिया, जिससे वैज्ञानिक एक जटिल सिमुलेशन से शुरू कर सकते थे, उसे सरल नियमों के एक सेट में संक्षिप्त कर सकते थे, और फिर उन नियमों से नए, वैध परमाणु संरचनाएं उत्पन्न कर सकते थे।
इस कार्य का महत्व एक विशाल, अनियंत्रित डेटासेट को एक संक्षिप्त और प्रबंधनीय मॉडल में बदलने की इसकी क्षमता में निहित है। प्रोटीन के व्यवहार को स्थानीय अंतःक्रियाओं के एक सेट के रूप में प्रस्तुत करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया जिसे आसानी से जांचा, तुलना की जा सकती है और नमूना लिया जा सकता है। सांख्यिक적인 मॉडल इतना सरल है कि इसे सीधे विश्लेषित किया जा सके, जिससे यह पता चलता है कि प्रोटीन के कौन से हिस्से इसके कार्य के लिए सबसे महत्वपूर्ण हैं, फिर भी यह इतने विस्तृत है कि भौतिकी के नियमों के अनुरूप नए परमाणु संरचनाएं उत्पन्न कर सके। यह दृष्टिकोण प्रोटीन की गति और अंतःक्रिया को अध्ययन करने का एक शक्तिशाली नया तरीका प्रदान करता है, जो वैज्ञानिकों को बेहतर दवाएं डिजाइन करने में मदद कर सकता है यह समझकर कि कोई अणु अपना काम करने के लिए अपने आकार को कैसे बदलता है। यह विधि केवल इस एक रिसेप्टर तक सीमित नहीं है; यह एक सामान्य ढांचा प्रदान करती है जिसे किसी भी ऐसे प्रोटीन के लिए लागू किया जा सकता है जिसके लिए सिमुलेशन डेटा उपलब्ध है, जो परमाणुओं के अराजक नृत्य को एक स्पष्ट और समझने योग्य कहानी में बदल देता है।
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।