AlphaConformers: Structure-guided sampling enables prediction of multiple protein conformations
यह शोध पत्र AlphaConformers को प्रस्तुत करता है, जो एक संरचना-निर्देशित पाइपलाइन है जो प्रोटीन डेटाबेस से संरचनात्मक जानकारी का लाभ उठाकर AlphaFold2 को कई वैकल्पिक प्रोटीन विन्यासों (conformations) को उत्पन्न करने की ओर निर्देशित करती है, जो सूक्ष्म लिगैंड-प्रेरित संरचनात्मक परिवर्तनों के मॉडलिंग में मौजूदा विधियों से काफी बेहतर प्रदर्शन करती है।
मूल पेपर CC BY 4.0 (https://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, नन्ही मशीनें जो कोशिकाओं का निर्माण करती हैं, संक्रमणों से लड़ती हैं, और उन रासायनिक प्रतिक्रियाओं को अंजाम देती हैं जो हमें जीवित रखती हैं। लंबे समय तक, वैज्ञानिकों ने इन अणुओं को स्थिर वस्तुओं के रूप में देखा, जैसे कि एक एकल, अपरिवर्तनीय आकार वाली कठोर मूर्तियाँ। अब हम जानते हैं कि यह दृष्टिकोण अधूरा है। प्रोटीन गतिशील होते; वे सांस लेते हैं, लचीले होते हैं, और विभिन्न कार्यों को करने के लिए अपने रूपों को बदलते हैं। एक प्रोटीन तब एक जैसा दिख सकता है जब वह निष्क्रिय हो और पूरी तरह से अलग तरह का दिख सकता है जब वह सक्रिय हो या किसी दवा से जुड़ा हो। इन परिवर्तनों को समझना महत्वपूर्ण है क्योंकि प्रोटीन का आकार उसके कार्य को निर्धारित करता है। यदि कोई वैज्ञानिक किसी बीमारी को रोकने के लिए दवा डिजाइन करना चाहता है, तो उसे यह जानने की आवश्यकता है कि लक्षित प्रोटीन वास्तव में काम करते समय कौन सा आकार लेता है, न कि केवल वह आकार जो वह विश्राम की अवस्था में धारण करता है।
हाल ही में, अल्फाफोल्ड2 (AlphaFold2) नामक एक शक्तिशाली कंप्यूटर प्रोग्राम ने प्रोटीन के आकारों की अविश्वसनीय सटीकता के साथ भविष्यवाणी करके खेल बदल दिया। हालाँकि, इस प्रोग्राम की एक कमी है: यह आमतौर पर प्रोटीन का केवल एक संस्करण बनाता है, जो अक्सर सबसे स्थिर या सामान्य रूप होता है। यह प्रोटीन द्वारा अपनाए जाने वाले वैकल्पिक आकारों को अक्सर चूक जाता है, विशेष रूप से वे जो तब प्रकट होते हैं जब प्रोटीन अन्य अणुओं के साथ परस्पर क्रिया करता है। यह सीमा शोधकर्ताओं के सामने एक अधूरी तस्वीर छोड़ देती है, जिससे वे उस गति की पूरी श्रृंखला को देखने में असमर्थ हो जाते हैं जो यह परिभाषित करती है कि ये जैविक मशीनें वास्तव में कैसे काम करती हैं।
इसे हल करने के लिए, शोधकर्ताओं की एक टीम ने 'अल्फाकन्फॉर्मर्स' (AlphaConformers) नामक एक नया दृष्टिकोण विकसित किया। कंप्यूटर से शून्य से आकार का अनुमान लगाने के बजाय, यह नई विधि प्रकृति में पाए जाने वाले वास्तविक दुनिया के उदाहरणों का उपयोग करके प्रोग्राम का मार्गदर्शन करती है। मूल विचार सरल लेकिन शक्तिशाली है: यदि किसी प्रोटीन ने पहले अपना आकार बदला है, तो इसकी संभावना है कि अन्य समान प्रोटीनों ने भी ऐसा ही किया होगा। शोधकर्ताओं ने एक ऐसी प्रणाली बनाई जो ज्ञात प्रोटीन संरचनाओं के विशाल डेटाबेस में खोज करती है ताकि उनके समान रिश्तेदारों को खोजा जा सके। एक बार मिल जाने के बाद, इन संबंधित संरचनाओं को संरेखित किया जाता है और विभिन्न संभावित आकारों का प्रतिनिधित्व करने वाले समूहों में व्यवस्थित किया जाता है। इन समूहों को फिर विशिष्ट संकेतों, या परिकल्पनाओं के रूप में भविष्यवाणी कार्यक्रम में डाला जाता है कि लक्षित प्रोटीन विभिन्न अवस्थाओं में कैसा दिख सकता है।
इसके बाद सिस्टम भविष्यवाणी कार्यक्रम को कई बार चलाता है, और हर बार इसे डेटाबेस द्वारा सुझाए गए इन वैकल्पिक आकारों में से एक की ओर धकेलता है। परिणाम एक ही प्रोटीन के विभिन्न मॉडलों का संग्रह होता है, न कि केवल एक एकल उत्तर। शोधकर्ता फिर इन मॉडलों को छाँटते हैं, समान मॉडलों को एक साथ समूहबद्ध करते हैं और कम संभावित विकल्पों को हटा देते हैं। यह प्रक्रिया उन्हें आकारों के एक स्पेक्ट्रम को देखने की अनुमति देती है, जिससे उन सूक्ष्म गतिविधियों का पता चलता है जो एक प्रोटीन द्वारा अपनी विश्राम अवस्था और अपनी सक्रिय, लिगैंड-बाउंड (ligand-bound) अवस्था के बीच स्विच करते समय की जाती हैं।
टीम ने इस पद्धति का परीक्षण 88 प्रोटीनों के एक सावधानीपूर्वक चुने गए सेट पर किया, जिनके बारे में वैज्ञानिक पहले से ही जानते थे कि उनकी विश्राम अवस्था और अणु से जुड़े होने पर ली जाने वाली आकृति क्या है। इन परीक्षणों में, मानक भविष्यवाणी कार्यक्रम अक्सर वैकल्पिक आकार खोजने में विफल रहा, और इसके बजाय एकल, सबसे सामान्य रूप पर ही टिका रहा। हालाँकि, अल्फाकन्फॉर्मर्स ने सफलतापूर्वक खोज का विस्तार किया और इन लुप्त अवस्थाओं को पुनः प्राप्त किया। इसने अन्य वर्तमान उपलब्ध उन्नत विधियों की तुलना में बेहतर प्रदर्शन किया, और दो अवस्थाओं के बीच होने वाले छोटे, नाजुक बदलावों को मॉडल करने की अपनी क्षमता में प्रथम स्थान प्राप्त किया।
ये निष्कर्ष दर्शाते हैं कि वैज्ञानिक डेटाबेस में पहले से ही संग्रहीत संरचनात्मक जानकारी का उपयोग प्रोटीन व्यवहार की अधिक पूर्ण समझ की ओर शक्तिशाली भविष्यवाणी उपकरणों को निर्देशित करने के लिए किया जा सकता है। समान प्रोटीनों की गति के ज्ञात इतिहास का लाभ उठाकर, शोधकर्ताओं ने दिखाया कि कंप्यूटर को एक प्रोटीन के जीवन की पूरी श्रृंखला देखने के लिए निर्देशित करना संभव है, न कि केवल एक स्थिर क्षण को। इसका अर्थ यह नहीं है कि प्रत्येक संभावित प्रोटीन आकार की भविष्यवाणी करने की समस्या हल हो गई है, बल्कि यह सिद्ध करता है कि आगे का मार्ग अज्ञात की भविष्यवाणी करने के लिए ज्ञात संरचनाओं के समृद्ध इतिहास का उपयोग करने में निहित 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।