Simulation of Protein Structure using a Coarse-Grained Potential incorporating the Backbone Dihedral Interactions

कल्पना कीजिए कि आप तूफान में रेत के एक अकेले कण को नाचते हुए देखने की कोशिश कर रहे हैं। अब, कल्पना कीजिए कि आप रेत के कणों वाले पूरे समुद्र तट को घूमते, टकराते और आपस में मिलकर महल बनाते हुए देखने की कोशिश कर रहे हैं, जबकि तूफान गरज रहा है। यह वही चुनौती है जिसका सामना वैज्ञानिक प्रोटीन का अध्ययन करते समय करते हैं, जो हमारे शरीर को चलाने वाली नन्ही, जटिल मशीनें हैं। प्रोटीन अमीनो एसिड की लंबी श्रृंखलाओं से बने होते हैं जो जटिल 3D आकृतियों में मुड़ जाते हैं। यह देखने के लिए कि वे कैसे चलते हैं और परस्पर क्रिया करते हैं, वैज्ञानिक आमतौर पर "ऑल-एटम" (all-atom) सिमुलेशन का उपयोग करते हैं, जो प्रत्येक परमाणु को एक अलग बिलियर्ड बॉल की तरह मानते हैं। लेकिन यह उस पूरे समुद्र तट को दिखाने के लिए हर एक रेत के कण को व्यक्तिगत रूप से ट्रैक करने जैसा है; इसमें इतनी अधिक कंप्यूटर शक्ति लगती है कि आप केवल रेत के एक छोटे से कण को एक पल के लिए ही देख सकते हैं। बड़े चित्र को देखने के लिए—जैसे कि हजारों प्रोटीन कैसे आपस में जुड़कर किसी बीमारी का रूप लेते हैं या कोशिका की दीवार बनाते हैं—वैज्ञानिकों को ज़ूम आउट करने की आवश्यकता होती है। वे "कोर्स-ग्रेन्ड" (coarse-grained) मॉडल का उपयोग करते हैं, जो कई परमाणुओं को एक एकल "बीड" (bead) में समूहित करता है, जैसे रेत की एक मुट्ठी को एक मार्बल में बांध देना। यह काम को बहुत तेज़ कर देता है, लेकिन इसमें एक पेंच है: सरलीकरण की इस दौड़ में, मॉडल अक्सर प्रोटीन के मुड़ने (फोल्डिंग) की गुप्त विधि को खो देता है। यह उन विशिष्ट कोणों और घुमावों को भूल जाता है जो प्रोटीन को उसकी आकृति देते हैं, जिससे एक मास्टर शेफ एक ऐसे व्यक्ति में बदल जाता है जो केवल सामग्री को मिलाना जानता है लेकिन उसे रेसिपी का पता नहीं है।

यहीं से इस शोध पत्र की कहानी शुरू होती है। शोधकर्ताओं, कनिका कोले, अभिक घोष मौलिक और जयदेव चक्रवर्ती ने एक "स्मार्ट" कोर्स-ग्रेन्ड मॉडल बनाने की इच्छा रखी। उन्होंने पूछा: क्या हम एक सरलीकृत प्रोटीन मॉडल बना सकते हैं जो पूरे समुद्र तट के नाचने को देखने के लिए पर्याप्त तेज़ हो, लेकिन इतना स्मार्ट हो कि वह फोल्डिंग के गुप्त कोणों को याद रख सके? उन्होंने एक नया तरीका विकसित किया जो प्रोटीन श्रृंखला में प्रत्येक अमीनो एसिड को एक एकल बीड के रूप में मानता है, लेकिन उन्होंने प्रत्येक बीड को पांच विशेष "डिग्री ऑफ फ्रीडम" (degrees of freedom) दी। इन बीड्स को केवल स्थिर मार्बल्स के रूप में नहीं, बल्कि लचीले जोड़ों के रूप में सोचें जो हिल और मुड़ सकते हैं। महत्वपूर्ण रूप से, उन्होंने केवल यह अनुमान नहीं लगाया कि इन बीड्स को कैसे हिलना चाहिए; उन्होंने GB3 नामक एक प्रोटीन के सुपर-डिटेल्ड, स्लो-मोशन मूवी से नियमों को "चुराया"। उस विस्तृत मूवी में हर परमाणु की गतिविधियों का विश्लेषण करके, उन्होंने मुड़ने और झुकने के लिए सटीक ऊर्जा लागत निकाली, और फिर उन नियमों को अपने तेज़, सरलीकृत मॉडल में प्रोग्राम किया। उन्होंने अपने इस नए "स्मार्ट बीड" मॉडल का परीक्षण विभिन्न प्रोटीनों पर किया, छोटे, व्यवस्थित ग्लोब्यूल्स से लेकर अस्त-व्यस्त, ढीली श्रृंखलाओं तक जिनका कोई निश्चित आकार नहीं होता। उन्होंने पाया कि उनका मॉडल वास्तविक क्रिस्टल संरचनाओं और विस्तृत सिमुलेशन में देखे गए जटिल आकारों और फोल्डिंग पैटर्न को सफलतापूर्वक पुनरुत्पादित कर सकता है, और वह भी बहुत तेज़ी से। इससे भी बेहतर, उन्होंने दिखाया कि एक प्रोटीन से सीखे गए नियमों का उपयोग पूरी तरह से अलग प्रोटीनों की आकृतियों की भविष्यवाणी करने के लिए किया जा सकता है, जो एक सार्वभौमिक "भाषा" का सुझाव देता है जिसे उनका मॉडल धाराप्रवाह बोलता है।

स्मार्ट बीड्स की कहानी

जीव विज्ञान की दुनिया में, प्रोटीन अंतिम रूप से आकार बदलने वाले (shape-shifters) होते हैं। वे निर्माण खंडों (अमीनो एसिड) की लंबी श्रृंखलाएं हैं जो अपने काम करने के लिए विशिष्ट 3D संरचनाओं में मुड़ती और घूमती हैं। कभी-कभी, ये श्रृंखलाएं कठोर और सुस्पष्ट होती हैं, जैसे एक मुड़ा हुआ ओरिगामी क्रेन। अन्य समय में, वे "इंट्रिन्सिकली डिसऑर्डर्ड" (intrinsically disordered) होती हैं, जिसका अर्थ है कि वे पके हुए स्पैगेटी के कटोरे की तरह ढीली और अराजक होती हैं जो केवल तभी आकार लेती हैं जब वे किसी चीज़ को पकड़ लेती हैं। यह समझना कि ये श्रृंखलाएं कैसे चलती हैं, मुड़ती हैं और आपस में जुड़ती हैं, जीवन और रोग को समझने के लिए महत्वपूर्ण है, लेकिन इनका सिमुलेशन करना अविश्वसनीय रूप से कठिन है।

इस शोध पत्र के लेखकों ने कंप्यूटर विज्ञान की एक क्लासिक समस्या का समाधान किया: गति और विवरण के बीच का समझौता। यदि आप एक प्रोटीन को वास्तविक समय में चलते हुए देखना चाहते हैं, तो आपको एक तेज़, सरलीकृत मॉडल की आवश्यकता है। लेकिन यदि आप बहुत अधिक सरलीकरण करते हैं, तो आप "डायहेड्रल एंगल्स" (dihedral angles)—वे विशिष्ट कोण जिन पर प्रोटीन श्रृंखला झुकती है—को खो देते हैं। ये कोण ही वह गुप्त सूत्र हैं जो यह निर्धारित करते हैं कि प्रोटीन एक मजबूत हेलिक्स बनेगा या एक सपाट शीट। उनके बिना, मॉडल केवल एक ढीली डोरी है जिसमें इस बात की कोई स्मृति नहीं है कि उसे कैसा दिखना चाहिए।

टीम का समाधान एक "हाइब्रिड" मॉडल बनाना था। कल्पना करें कि एक प्रोटीन श्रृंखला मोतियों की एक स्ट्रिंग है। उनके मॉडल में, प्रत्येक बीड एक पूरे अमीनो एसिड के केंद्र का प्रतिनिधित्व करता है। लेकिन ये साधारण बीड्स नहीं हैं; ये "स्मार्ट बीड्स" हैं जो यह याद रखते हैं कि उन्हें कैसे मुड़ना पसंद है। शोधकर्ताओं ने प्रत्येक बीड को दो अतिरिक्त चर (variables) दिए जिन्हें ट्रैक किया जाना था: बैकबोन डायहेड्रल एंगल्स, जिन्हें $\phi$ (फी) और $\psi$ (साई) के रूप में जाना जाता है। ये वे कोण हैं जो प्रोटीन की बैकबोन के घुमाव को परिभाषित करते हैं।

इन बीड्स को व्यवहार करना सिखाने के लिए, लेखकों ने केवल नियम नहीं बनाए। उन्होंने GB3 नामक एक छोटे प्रोटीन के हाई-डेफिनिशन, "ऑल-एटम" सिमुलेशन को देखा। उन्होंने देखा कि परमाणु समय के साथ कैसे चलते हैं और हर संभावित मोड़ और घुमाव के लिए "फ्री एनर्जी" (free energy) की गणना की। इसे एक परिदृश्य (landscape) के मानचित्रण के रूप में सोचें जहाँ घाटियाँ आरामदायक, स्थिर स्थितियों को दर्शाती हैं, और पहाड़ियाँ असहज, उच्च-ऊर्जा वाली स्थितियों को दर्शाती हैं। फिर उन्होंने इस मानचित्र को अपने सरलीकृत बीड्स के लिए नियमों के एक सेट में अनुवादित किया।

उन्होंने यह भी सुनिश्चित किया कि उनके बीड्स पानी के साथ कैसे परस्पर क्रिया करते हैं, यह जानते हों। उन्होंने बीड्स को दो प्रकारों में वर्गीकृत किया: "सॉल्वोफिलिक" (solvophilic - जल-प्रेमी) और "सॉल्वोफोबिक" (solvophobic - जल-भय)। जल-प्रेमी बीड्स को पानी के अणुओं को आकर्षित करने के लिए प्रोग्राम किया गया था, जबकि जल-भय वाले बीड्स को उन्हें दूर धकेलने के लिए प्रोग्राम किया गया था। यह वास्तविक प्रोटीनों के मुड़ने की नकल करता है: जल-भय वाले हिस्से अंदर छिप जाते हैं, जबकि जल-प्रेमी हिस्से बाहर रहते हैं।

महान परीक्षण: नन्हे क्रेन्स से लेकर ढीले स्पैगेटी तक

एक बार जब उन्होंने अपना मॉडल बना लिया, तो टीम ने इसे परखने के लिए रखा। सबसे पहले, उन्होंने GB3 से सीखे गए नियमों का उपयोग GB3 का ही सिमुलेशन करने के लिए किया। परिणाम क्या रहा? मॉडल ने प्रोटीन की आकृति को सफलतापूर्वक पुन: बनाया। जब उन्होंने "स्मार्ट बीड" सिमुलेशन की तुलना मूल हाई-डेफिनिशन मूवी और प्रोटीन की वास्तविक क्रिस्टल संरचना से की, तो आकृतियाँ अविश्वसनीय रूप से मेल खाती थीं। लगभग 80% प्रोटीन के संरचनात्मक तत्वों (जैसे हेलिक्स और शीट्स) को सरलीकृत मॉडल द्वारा सही ढंग से पहचाना गया था।

लेकिन असली जादू तब हुआ जब उन्होंने अन्य प्रोटीनों पर GB3 के नियमों का उपयोग करने की कोशिश की। उन्होंने नियमों का वही सेट लिया और उसे विभिन्न प्रोटीनों पर लागू किया, जिनमें शामिल थे:

• होमोडोमेन (Homeodomain): एक छोटा प्रोटीन जो जीन को नियंत्रित करने में मदद करता है।
• यूबिक्विटिन (Ubiquitin): एक प्रोटीन जो अन्य प्रोटीनों को रीसाइक्लिंग के लिए टैग करता है।
• चिग्नोलिन, BBL, और BBA: छोटे प्रोटीन जिनका उपयोग अक्सर फोल्डिंग के परीक्षण मामलों के रूप में किया जाता है।
• डि-यूबिक्विटिन और एडेनाइलेट काइनेज (Adenylate Kinase): बड़े, दो-भागों वाले प्रोटीन जो जटिल कार्य करते हैं।

आश्चर्यजनक रूप से, मॉडल लगभग सभी के लिए काम कर गया। भले ही ये प्रोटीन GB3 से अलग हैं, "स्मार्ट बीड्स" ने उन्हें ऐसी आकृतियों में फोल्ड करने में सफलता प्राप्त की जो उनके वास्तविक जीवन के समकक्षों के करीब थीं। उदाहरण के लिए, यूबिक्विटिन के मामले में, मॉडल ने क्रिस्टल संरचना की तुलना में लगभग 67% सटीकता के साथ सही माध्यमिक संरचनाओं (secondary structures) को पकड़ा, और अन्य विस्तृत सिमुलेशन की तुलना में 92% बेहतर प्रदर्शन किया। यह सुझाव देता है कि प्रोटीन फोल्डिंग का बुनियादी "व्याकरण"—जिस तरह से बैकबोन मुड़ती है और पानी के साथ परस्पर क्रिया करती है—आश्चर्यजनक रूप से सार्वभौमिक है।

टीम ने "इंट्रिन्सिकली डिसऑर्डर्ड प्रोटीन्स" (IDPs) पर भी अपने मॉडल का परीक्षण किया, विशेष रूप से $\alpha$-सिन्यूक्लिन ($\alpha$-synuclein) और $\lambda$N पर। ये "ढीले स्पैगेटी" वाले प्रोटीन हैं जिनका कोई निश्चित आकार नहीं होता। जब उन्होंने सिमुलेशन चलाया, तो मॉडल ने सही ढंग से भविष्यवाणी की कि ये प्रोटीन वास्तविक दुनिया की तरह मुख्य रूप से अनफोल्डेड और अराजक रहेंगे। दिलचस्प बात यह है कि उन्होंने पाया कि इन डिसऑर्डर्ड प्रोटीनों के लिए "इलास्टिक कांस्टेंट्स" (बैकबोन कितनी सख्त या लचीली है) संरचनात्मक प्रोटीनों की तुलना में बहुत कम थे। यह हमें बताता है कि "ढीलापन" इन प्रोटीनों की एक प्रमुख विशेषता है, और उनके मॉडल ने इसे पूरी तरह से पकड़ा।

यह क्यों महत्वपूर्ण है (और यह क्या नहीं है)

लेखकों ने अपने नए मॉडल की तुलना Martini और SIRAH जैसे अन्य लोकप्रिय सरलीकृत मॉडलों से की। उन्होंने पाया कि जहाँ Martini प्रोटीन को बहुत सख्त और व्यवस्थित बनाने की प्रवृत्ति रखता था, और SIRAH उन्हें बहुत ढीला और अव्यवस्थित बनाता था, वहीं उनका नया मॉडल एक आदर्श संतुलन बनाता है। यह उच्च सटीकता के साथ प्रोटीन की विस्तृत संरचनात्मक विशेषताओं को पुन: उत्पन्न करने में सक्षम था, जो दोनों प्रयोगात्मक क्रिस्टल संरचनाओं और उच्च-गति वाले ऑल-एटम सिमुलेशन से मेल खाता है।

हालाँकि, शोध पत्र यह स्पष्ट करने में भी सावधानी बरतता है कि यह क्या नहीं करता है। मॉडल वर्तमान में केवल प्रोटीन बैकबोन तक सीमित है और इसमें साइड चेन्स (बैकबोन से निकलने वाले "हाथ") या पानी के डाइपोल मोमेंट्स को स्पष्ट रूप से शामिल नहीं किया गया है। इसका मतलब है कि यह समझने के लिए बहुत अच्छा है कि प्रोटीन कैसे मुड़ते हैं और आपस में जुड़ते हैं, लेकिन यह यह भविष्यवाणी करने के लिए पर्याप्त विस्तृत नहीं हो सकता है कि एक दवा अणु प्रोटीन पर एक विशिष्ट पॉकेट में कैसे बंधता है। साथ भी यह कि नियम विशिष्ट प्रोटीनों के सिमुलेशन से प्राप्त किए गए थे, और हालांकि वे कई अन्य प्रोटीनों के लिए काम करते हैं, लेखक स्वीकार करते हैं कि अस्तित्व में मौजूद हर प्रोटीन के लिए इस "स्थानांतरणीयता" (transferability) को सिद्ध करना एक बड़ी चुनौती है जो इस एकल अध्ययन की सीमा से परे है।

अंत में, यह शोध पत्र एक शक्तिशाली नया उपकरण प्रदान करता है। सरलीकृत बीड्स को परमाणुओं के जटिल नृत्य को याद रखने की शिक्षा देकर, शोधकर्ताओं ने बड़े समूहों में चलते और परस्पर क्रिया करते प्रोटीनों को सिम्युलेट करने का एक तरीका बनाया है। यह उन घटनाओं को देखने का द्वार खोलता है जो पहले असंभव थे, जैसे कि प्रोटीन कैसे एकत्रित होकर पार्किंसंस जैसी बीमारियों में देखे जाने वाले गुच्छे बनाते हैं, या जैविक सामग्रियां कैसे स्वयं को व्यवस्थित (self-assemble) करती हैं। यह केवल रेत के एक कण को नहीं, बल्कि पूरे समुद्र तट को नाचते हुए देखने की दिशा में एक कदम है।