Bridging the gap between omics and structural data: A framework for interpreting protein-RNA interaction specificity
यह अध्ययन एक ऐसा ढांचा प्रस्तुत करता है जो बाइंडिंग मोटिफ कोर की पहचान करने के लिए ओमिक्स डेटा को प्रयोगात्मक प्रोटीन-आरएनए संरचनाओं के साथ एकीकृत करता है और अल्फाफोल्ड3 का बेंचमार्क करता है, जो इसकी भविष्य कहने वाली क्षमता और इसकी वर्तमान सीमाओं, जैसे कि याद करने (मेमोराइजेशन) के संकेत और वैकल्पिक बाइंडिंग मोड के साथ चुनौतियों, दोनों को प्रकट करता 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
प्रत्येक जीवित कोशिका के भीतर, दो प्रकार के अणुओं के बीच एक निरंतर, मौन संवाद होता है: प्रोटीन और आरएनए (RNA)। प्रोटीन भारी काम करने वाले होते हैं, वे मशीनें जो संरचनाएं बनाती हैं, रासायनिक प्रतिक्रियाओं को तेज करती हैं, और जीवन के निर्देशों का पालन करती हैं। आरएनए संदेशवाहक और नियामक के रूप में कार्य करता है, जो आनुवंशिक कोड ले जाता है और यह तय करता है कि उन कोडों को कब पढ़ा जाना चाहिए। जीवन के कार्य करने के लिए, इन दोनों को एक-दूसरे को खोजना होगा और पूर्ण सटीकता के साथ एक-दूसरे में लॉक होना होगा। यदि एक प्रोटीन आरएनए के गलत टुकड़े को पकड़ लेता है, तो कोशिका के निर्देश गड़बड़ा सकते हैं, जिससे कैंसर या न्यूरोडीजेनेरेशन जैसी बीमारियां हो सकती हैं। वैज्ञानिकों ने लंबे समय से इन मुलाकातों का मानचित्रण करने की कोशिश की है, जिसमें अणुओं के स्पर्श करते समय उनके विस्तृत फोटोग्राफ लिए जाते हैं। हालांकि, इन क्षणों को कैद करना अविश्वसनीय रूप से कठिन है। जबकि लाखों ज्ञात प्रोटीन संरचनाएं मौजूद हैं, केवल कुछ हजार ही ऐसे हैं जो वास्तव में प्रोटीन को आरएनए को थामे हुए दिखाते हैं। यह कमी हमारी इस समझ में एक बड़ा अंतर छोड़ देती है कि ये परस्पर क्रियाएं कैसे काम करती हैं और यह अनुमान लगाना कठिन बना देती है कि वे नई स्थितियों में कैसे व्यवहार करेंगी।
इस अंतर को पाटने के लिए, फ्रांस में 'इंस्टिट्यूट फॉर इंटीग्रेटिव बायोलॉजी ऑफ द सेल' के शोधकर्ताओं की एक टीम ने समस्या को देखने के दो अलग-अलग तरीकों को मिलाने का निर्णय लिया। एक तरफ, उनके पास प्रोटीन और आरएनए के आपस में जुड़े हुए दुर्लभ, उच्च-रिज़ॉल्यूशन वाले 3D स्नैपशॉट थे। दूसरी ओर, उनके पास आधुनिक प्रयोगों से प्राप्त विशाल डेटा था जो यह दर्शाता है कि प्रोटीन किन आरएनए अनुक्रमों (sequences) को प्राथमिकता देते हैं, भले ही सटीक 3D आकार ज्ञात न हो। शोधकर्ताओं ने एक नया तरीका बनाया यह जांचने के लिए कि क्या सूचना के ये दो स्रोत एक-दूसरे के साथ सहमत हैं। उन्होंने एक स्कोरिंग प्रणाली बनाई जो 3D संरचना में देखे गए विशिष्ट आरएनए अनुक्रम की तुलना बड़े पैमाने के प्रयोगों में पाए गए पसंदीदा अनुक्रमों से करती है। जब दोनों अच्छी तरह मेल खा गए, तो टीम ने आरएनए अनुक्रम के एक छोटे, केंद्रीय क्षेत्र की पहचान की, जिसे उन्होंने "मोटिफ कोर" (motif core) कहा, जो इस हाथ मिलाने (handshake) का सबसे महत्वपूर्ण हिस्सा था। उन्होंने पाया कि ये कोर केवल यादृच्छिक मिलान नहीं थे; ये आरएनए के वे हिस्से थे जिन्होंने प्रोटीन के साथ सबसे अधिक भौतिक संपर्क बनाया और जो प्रोटीन के सबसे विकासवादी रूप से स्थिर (evolutionarily stable) हिस्सों से घिरे हुए थे, जो यह सुझाव देते हैं कि ये वास्तव में परस्पर क्रिया के वास्तविक आधार (anchors) हैं।
इस समझ के साथ कि एक सही बाइंडिंग साइट कैसी दिखती है, टीम ने 'अल्फाफोल्ड3' (AlphaFold3) नामक एक शक्तिशाली नए आर्टिफिशियल इंटेलिजेंस टूल की ओर अपना ध्यान केंद्रित किया। इस सॉफ्टवेयर ने हाल ही में उच्च सटीकता के साथ प्रोटीन और उनके कॉम्प्लेक्स के 3D आकारों की भविष्यवाणी करके इस क्षेत्र में क्रांति ला दी है। शोधकर्ता यह देखना चाहते थे कि क्या अल्फाफोल्ड3 प्रोटीन-आरएनए इंटरैक्शन के लिए भी ऐसा ही कर सकता है और अधिक महत्वपूर्ण बात यह कि क्या यह उस विशिष्ट आरएनए अनुक्रम की भविष्यवाणी कर सकता जिसे प्रोटीन चुनता है। उन्होंने परीक्षण के लिए मानव प्रोटीनों का एक डेटासेट उपयोग किया जहाँ उन्हें 3D संरचना और पसंदीदा आरना अनुक्रम दोनों ज्ञात थे। उन्होंने एआई (AI) से प्रयोग वाले सटीक आरएनए अनुक्रम, एक गैर-विशिष्ट अनुक्रम जिसे प्रोटीन की परवाह नहीं होनी चाहिए, और पसंदीदा बाइंडिंग मोटिफ्स वाले अनुक्रमों का उपयोग करके संरचना की भविष्यवाणी करने को कहा।
परिणामों ने एक आश्चर्यजनक सीमा का खुलासा किया। जब एआई को ठीक वही आरएनए अनुक्रम दिया गया जो उसने संभवतः अपने प्रशिक्षण के दौरान देखा था, तो इसने उत्कृष्ट भविष्यवाणियां कीं जो प्रयोगात्मक संरचनाओं से मेल खाती थीं। हालांकि, जब शोधकर्ताओं ने इसे एक अलग, गैर-विशिष्ट आरएनए अनुक्रम दिया, तो एआई अभी भी प्रोटीन को सही ढंग से फोल्ड करने में सफल रहा और अक्सर आरएनए को समान स्थिति में रख दिया, भले ही अनुक्रम गलत था। यह सुझाव देता है कि सिस्टम वास्तव में यह नहीं सीख रहा है कि एक विशिष्ट प्रोटीन एक विशिष्ट आरएनए को कैसे पहचानता है। इसके बजाय, ऐसा प्रतीत होता है कि यह पहले से देखे गए आकारों को याद कर रहा है। एआई प्रशिक्षण डेटा को याद रखने में इतना अच्छा था कि वह एक विशिष्ट, सही इंटरैक्शन और एक सामान्य, गलत इंटरैक्शन के बीच आसानी से अंतर नहीं कर सका। जिन मामलों में एक प्रोटीन दो अलग-अलग तरीकों से आरएनए से जुड़ सकता था, एआई ने वैकल्पिक तरीके को अनदेखा करने और अपने द्वारा याद किए गए सबसे सामान्य संस्करण पर टिके रहने की प्रवृत्ति दिखाई, जिससे वह दिए गए विशिष्ट इनपुट के अनुकूल होने में विफल रहा।
अध्ययन ने कई बाइंडिंग साइट वाले प्रोटीनों के लिए इन उपकरणों के उपयोग की चुनौतियों को भी उजागर किया। 'लिन28ए' (LIN28A) नामक एक विशिष्ट प्रोटीन से जुड़े मामले में, जिसके पास दो अलग-अलग डोमेन हैं जो आरएनए को पकड़ सकते हैं, एआई ने लगातार केवल एक ही साइट पर इंटरैक्शन की भविष्यवाणी की, चाहे आरएनए अनुक्रम कुछ भी दिया गया हो। वह बाइंडिंग के दो संभावित मोडों के बीच स्विच करने में संघर्ष करता रहा। शोधकर्ताओं ने निष्कर्ष निकाला कि हालांकि डीप लर्निंग एक आशाजनक मार्ग प्रदान करता है, यह वर्तमान में आणविक पहचान के मौलिक नियमों को समझने के बजाय अपने प्रशिक्षण डेटा से पैटर्न पहचानने पर बहुत अधिक निर्भर करता है। उन्होंने जोर दिया कि इन उपकरणों को नए उपचारों को डिजाइन करने या जटिल रोगों को समझने के लिए वास्तव में विश्वसनीय बनाने के लिए, उन्हें अधिक विविध डेटा द्वारा निर्देशित करने की आवश्यकता है और शायद उन विशिष्ट बाइंडिंग प्राथमिकताओं द्वारा सीमित करने की आवश्यकता है जिन्हें शोधकर्ताओं की नई स्कोरिंग पद्धति पहचानने में मदद करती है। टीम ने अपने निष्कर्ष और एक वेब टूल वैज्ञानिक समुदाय के लिए उपलब्ध कराया है, जो इन इंटरैक्शन को विज़ुअलाइज़ करने और प्रयोगात्मक डेटा की वास्तविकता के विरुद्ध नई भविष्यवाणियों का परीक्षण करने का एक तरीका प्रदान करता 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।