PAAS reveals interpretable local structural microenvironments across proteome-scale AlphaFold models
यह शोध पत्र प्रॉक्सिमल अमीनो एसिड सेट्स (PAAS) को प्रस्तुत करता है, जो एक अनसुपरवाइज्ड फ्रेमवर्क है जो प्रोटिओम-स्केल अल्फाफोल्ड मॉडल्स से 3D अवशेष पड़ोस (residue neighborhoods) को संरचनात्मक एनोटेशन की एक विविक्त (discrete), व्याख्या योग्य शब्दावली में परिवर्तित करता है, जिससे प्रभावी प्रोटीन तुलना, अवशेष प्राथमिकता और डाउनस्ट्रीम मशीन लर्निंग अनुप्रयोग सक्षम होते हैं।
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, सूक्ष्म आणविक मशीनें जो कोशिकाओं का निर्माण करती हैं, संक्रमणों से लड़ती हैं और हमारे शरीर की रसायनिकी को संचालित करती हैं। एक प्रोटीन कैसे कार्य करता है, इसे समझने के लिए वैज्ञानिक अक्सर इसके आकार को देखते हैं। एक प्रोटीन का कार्य शायद ही कभी उसके समग्र आकार या सामान्य रूपरेखा द्वारा निर्धारित होता है; इसके बजाय, यह आमतौर पर इसकी सतह पर स्थित छोटे, विशिष्ट क्षेत्रों (नेबरहुड्स) द्वारा परिभाषित होता है जहाँ रासायनिक प्रतिक्रियाएं होती हैं या जहाँ अन्य अणु जुड़ते हैं। दशकों तक, शोधकर्ताओं ने इन आकारों का मानचित्र बनाने के लिए भौतिक प्रयोगों पर भरोसा किया, लेकिन वे विधियाँ धीमी थीं और केवल मौजूद प्रोटीनों के एक अंश को ही पकड़ सकती थीं। उच्च सटीकता के साथ प्रोटीन संरचनाओं की भविष्यवाणी करने वाले कृत्रिम बुद्धिमत्ता (AI) उपकरणों के हालिया आगमन ने खेल बदल दिया है, जिससे लगभग प्रत्येक ज्ञात प्रोटीन के लिए अनुमानित आकारों का एक विशाल पुस्तकालय उपलब्ध हो गया है। हालाँकि, इन लाखों डिजिटल मॉडलों का होना एक नई समस्या पैदा करता है: आप इनका अर्थ कैसे निकालेंगे? वैज्ञानिकों को इन विशाल पुस्तकालयों को स्कैन करने के तरीके की आवश्यकता है ताकि वे डेटा की विशाल मात्रा में खोए बिना उन विशिष्ट, छोटे पॉकेट्स और पैटर्न को खोज सकें जो महत्वपूर्ण हैं।
यहीं पर PAAS नामक एक नई विधि आती है। शोधकर्ता आंद्रे फाल्काओ और रीटा गुएडेस द्वारा विकसित, PAAS प्रोटीन की जटिल त्रि-आयामी वास्तुकला को सरल, पठनीय स्थानीय विशेषताओं की एक सूची में अनुवाद करने का एक तरीका प्रदान करता है। पूरे प्रोटीन के आकार की तुलना करने के बजाय, जो कि दो पूरे शहरों की गली-गली तुलना करने जैसा है, PAAS प्रत्येक प्रोटीन को हजारों छोटे, ओवरलैपिंग पड़ोस (नेबरहुड्स) में तोड़ देता है। यह अमीनो एसिड के समूहों को देखता है—जो प्रोटीन के निर्माण खंड हैं—जो प्रोटीन श्रृंखला के क्रम की परवाह किए बिना, स्थान में एक-दूसरे के करीब होते हैं। फिर सिस्टम इन पड़ोसों को उनकी रासायनिक संरचना के आधार पर समूहित करता है, जिससे आवर्ती पैटर्न की एक शब्दावली तैयार होती है। महत्वपूर्ण बात यह है कि यह शब्दावली बिना किसी पूर्व ज्ञान के बनाई जाती है कि प्रोटीन वास्तव में क्या करते हैं; कंप्यूटर बस यह सीखता है कि कौन से स्थानीय विन्यास (अरेन्जमेंट्स) बार-बार दिखाई देते हैं और कौन से पूरे लाइब्रेरी में दुर्लभ हैं।
शोधकर्ताओं ने परीक्षण किया कि क्या यह अनसुपरवाइज्ड (unsupervised) दृष्टिकोण वास्तव में प्रोटीन के महत्वपूर्ण हिस्सों को खोज सकता है। उन्होंने लगभग 540,000 प्रोटीन मॉडलों के संग्रह पर PAAS लागू किया और प्रत्येक के लिए एक अद्वितीय "फिंगरप्रिंट" तैयार किया, जो उसमें मौजूद विशिष्ट स्थानीय पैटर्न से बना था। इसके बाद उन्होंने जांचा कि क्या प्रोटीन के वे हिस्से जिन्हें सिस्टम ने "सूचनात्मक" या अद्वितीय के रूप में चिह्नित किया था, वास्तव में ज्ञात जैविक कार्यों से मेल खाते थे। परिणाम आश्चर्यजनक थे। भले ही सिस्टम को सक्रिय साइटों (active sites) या बाइंडिंग पॉकेट्स को खोजने के लिए नहीं कहा गया था, फिर भी इसने जिन सबसे अद्वितीय स्थानीय पैटर्नों की पहचान की, वे लगातार उन्हीं स्थानों के साथ ओवरलैप हुए जहाँ एंजाइम अपनी रासायनिक प्रतिक्रियाएं करते हैं या जहाँ दवाएं प्रोटीन से जुड़ती हैं। उदाहरण के लिए, जब उन्होंने सेरोटोनिन रिसेप्टर को देखा, जो मनोदशा और व्यवहार से जुड़ा एक प्रोटीन है, तो इस विधि ने उस विशिष्ट टनल (सुरंग) को उजागर किया जहाँ दवाएं जुड़ती हैं, और उच्च सटीकता के साथ सही अमीनो एसिड की पहचान की। इसी तरह, इसने इम्यून चेकपॉइंट प्रोटीनों पर इंटरैक्शन सतहों की सफलतापूर्वक पहचान की, जो आधुनिक कैंसर उपचारों के लिए महत्वपूर्ण लक्ष्य हैं।
यह सुनिश्चित करने के लिए कि ये परिणाम केवल एक भाग्यशाली अनुमान नहीं थे, टीम ने प्रोटीन संरचनाओं के विश्लेषण के अन्य तरीकों के विरुद्ध PAAS की तुलना की। उन्होंने उन तरीकों का परीक्षण किया जो केवल अमीनो एसिड के अनुक्रम को देखते थे और 3D आकार को पूरी तरह से अनदेखा कर देते थे, और पाया कि वे दृष्टिकोण कार्यात्मक साइटों को उतनी प्रभावी ढंग से नहीं पकड़ सके। उन्होंने इसकी तुलना एक ऐसी विधि से भी की जो 3D आकारों को कठोर, सटीक पैटर्न के रूप में मानती थी। जबकि कठोर विधि कुछ मामलों में अच्छी तरह से काम करती थी, PAAS उत्प्रेरक साइटों (catalytic sites) और संरचनात्मक रूपांकनों (structural motifs) को खोजने में श्रेष्ठ सिद्ध हुआ क्योंकि यह पहचानने में स्मार्ट था कि यदि अमीनो एसिड रासायनिक रूप से समान हैं, तो वे समान भूमिका निभा सकते हैं। अध्ययन ने दिखाया कि स्थानीय रासायनिक वातावरण पर ध्यान केंद्रित करके और निर्माण खंडों की प्राकृतिक विविधताओं को स्वीकार करके, सिस्टम कच्चे संरचनात्मक डेटा से सार्थक जैविक संकेत निकाल सकता है।
इस दृष्टिकोण की शक्ति इसकी स्केलेबिलिटी (scale) में निहित है। शोधकर्ताओं ने गणना की कि वे केवल कुछ सेकंड में एक एकल प्रोटीन के लिए विस्तृत संरचनात्मक फिंगरप्रिंट जेनरेट कर सकते हैं, जिससे कुछ घंटों में पूरे जीनोम का विश्लेषण करना संभव हो जाता है। यह गति, और इस तथ्य के साथ कि सिस्टम उन सटीक अमीनो एसिड की ओर वापस इशारा कर सकता है जिन्होंने एक विशिष्ट पैटर्न बनाया है, इसे भविष्य के अनुसंधान के लिए एक व्यावहारिक उपकरण बनाता है। यह वैज्ञानिकों को नए ड्रग्स के लिए उम्मीदवारों को खोजने या यह समझने के लिए कि उत्परिवर्तन (mutations) प्रोटीन के कार्य को कैसे बाधित कर सकते हैं, लाखों प्रोटीनों को स्कैन करने की अनुमति देता है, और वह भी बिना पहले महंगे भौतिक प्रयोगों के। जटिल 3D संरचनाओं को स्थानीय पैटर्न की भाषा में बदलकर, PAAS अनुमानित डेटा के विस्फोट और स्पष्ट, व्याख्या योग्य जैविक अंतर्दृष्टि की आवश्यकता के बीच एक सेतु 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।