Toward a Transferable Representation of Protein Dynamics for Functional Prediction and Mechanistic Discovery

प्रोटीन जीवन के कार्यवाहक हैं, सूक्ष्म आणविक मशीनें जो कोशिकाओं का निर्माण करती हैं, भोजन पचाती हैं और संकेत भेजती हैं। दशकों तक, वैज्ञानिकों ने उन्हें मुख्य रूप से स्थिर मूर्तियों के रूप में समझा, जिसमें उनके काम करने के तरीके को समझाने के लिए उनकी त्रि-आयामी आकृतियों पर ध्यान केंद्रित किया गया। हालांकि एक आकार आवश्यक है, लेकिन यह पूरी कहानी नहीं है। प्रोटीन कठोर मूर्तियाँ नहीं हैं; वे लगातार बदलते, सांस लेते और लचीले होते रहते हैं। ये गतियाँ, जो विभिन्न गति और दूरियों पर होती हैं, अक्सर इस बात की कुंजी होती हैं कि एक प्रोटीन अपना काम कैसे करता है। एक प्रोटीन को किसी अणु को अंदर आने देने के लिए द्वार खोलने या रासायनिक प्रतिक्रिया को सक्रिय करने के लिए अपने शरीर को घुमाने की आवश्यकता हो सकती है। इन क्रियाओं को देखने के लिए, शोधकर्ता शक्तिशाली कंप्यूटर सिमुलेशन का उपयोग करते हैं जो समय के साथ प्रत्येक परमाणु की स्थिति को ट्रैक करते हैं, जिससे अणु के जीवन की एक फिल्म बन जाती है। हालांकि, ये फिल्में अविश्वसनीय रूप से जटिल होती हैं, जिनमें डेटा के लाखों फ्रेम होते हैं जिन्हें एक प्रोटीन से दूसरे प्रोटीन की तुलना करना कठिन होता है, विशेष रूप से जब प्रोटीन के आकार और प्रकार अलग-अलग हों।

चुनौती एक ऐसी भाषा खोजने में निहित है जो सभी प्रोटीनों के लिए काम करे, न कि केवल एक विशिष्ट प्रकार के लिए। यदि कोई वैज्ञानिक यह अनुमान लगाना चाहता है कि एक नया, अज्ञात प्रोटीन क्या करता है, तो उन्हें एक ऐसी विधि की आवश्यकता है जो उन गति के पैटर्न को पहचान सके जो कार्य को परिभाषित करते हैं, चाहे प्रोटीन का विशिष्ट इतिहास या संरचना कुछ भी हो। यही वह प्रश्न था जिसका उत्तर देने के लिए नाहिद मोनोवार और उनकी टीम ने ढाका के इंस्टीट्यूट ऑफ साइंस एंड टेक्नोलॉजी में प्रयास किया। उन्होंने एक नई कंप्यूटर प्रणाली विकसित की जिसे इन आणविक फिल्मों को देखने और प्रोटीन के व्यवहार का एक एकल, संक्षिप्त सारांश निकालने के लिए डिज़ाइन किया गया है। वे इस सारांश को एक "मोशन सिग्नेचर" (गति हस्ताक्षर) कहते हैं। लक्ष्य यह देखना था कि क्या यह सिग्नेचर उन्हें बता सकता है कि एक प्रोटीन क्या करता है, भले ही वह प्रोटीन उन प्रोटीनों से बहुत भिन्न हो जिनसे कंप्यूटर ने पहले सीखा था।

इस विचार का परीक्षण करने के लिए, शोधकर्ताओं ने अपने सिस्टम को डेटा का एक विशाल पुस्तकालय दिया: प्रोटीनों की गति की 1,250 अलग-अलग फिल्में, जो 1,120 अद्वितीय प्रोटीनों का प्रतिनिधित्व करती थीं। ये प्रोटीन आकार में बहुत भिन्न थे, जिनमें 50 बिल्डिंग ब्लॉक्स वाले छोटे प्रोटीन से लेकर 600 वाले बड़े प्रोटीन तक शामिल थे। सिमुलेशन ने 100 नैनोसेकंड से 10 माइक्रोसेकंड तक की एक विस्तृत समय सीमा को कवर किया, जिसमें प्रोटीनों के आकार के लगभग 12.5 मिलियन स्नैपशॉट कैप्चर किए गए। टीम ने अपने सिस्टम को प्रशिक्षित किया कि वह इस बात पर ध्यान दे कि प्रोटीन के हिस्से एक साथ कैसे चलते हैं। केवल यह देखने के बजाय कि एक क्षण में परमाणु एक-दूसरे के कितने करीब हैं, सिस्टम ने इस बात पर ध्यान दिया कि समय के साथ एक हिस्से की गति दूसरे हिस्से की गति से कैसे जुड़ी हुई है। इसने इस गतिशील जानकारी को प्रोटीन के रासायनिक अनुक्रम और इसके समग्र आकार के साथ जोड़कर एक एकीकृत विवरण बनाया।

परिणामों ने दिखाया कि यह दृष्टिकोण उल्लेखनीय रूप से प्रभावी रहा। जब सिस्टम से एक प्रोटीन के कार्य की व्यापक श्रेणी का अनुमान लगाने के लिए कहा गया—जैसे कि क्या यह एक काइनेज (kinase), एक ट्रांसफरेज (transferase), या एक हाइड्रोलिस (hydrolase) के रूप में कार्य करता है—तो यह उन पुराने तरीकों की तुलना में काफी अधिक सटीक था जो केवल प्रोटीन के अनुक्रम या उसकी स्थिर आकृति पर निर्भर करते थे। एक सख्त परीक्षण में, जहाँ सिस्टम को उन प्रोटीनों के कार्य का अनुमान लगाना था जिन्हें उसने पहले कभी नहीं देखा था, और जो प्रशिक्षण उदाहरणों के साथ 30% से कम रासायनिक संरचना साझा करते थे, सिस्टम ने 0.88 का AUC प्राप्त किया। यह अन्य तरीकों की तुलना में एक स्पष्ट सुधार था, जो 0.65 से 0.81 के बीच स्कोर करते थे। अध्ययन बताता है कि प्रोटीन के हिलने-डुलने का तरीका कार्य के बारे में महत्वपूर्ण सुराग देता है जो केवल उसकी आकृति या उसके रासायनिक कोड को देखने पर छिपे रह जाते हैं।

शोधकर्ताओं यह भी जानना चाहते थे कि यह ज्ञान कितनी दूर तक जा सकता है। उन्होंने सिस्टम का परीक्षण उन प्रोटीनों पर किया जो प्रशिक्षण वाले प्रोटीनों से तेजी से भिन्न होते जा रहे थे। जब परीक्षण प्रोटीन प्रशिक्षण वाले प्रोटीनों के ही परिवार से थे, तो सिस्टम ने बहुत अच्छा प्रदर्शन किया। जैसे-जैसे प्रोटीन अधिक दूर के होते गए, जो अलग-अलग परिवारों या यहाँ तक कि अलग-अलग संरचनात्मक फोल्ड्स से संबंधित थे, सटीकता गिर गई, लेकिन वह पूरी तरह समाप्त नहीं हुई। यहाँ तक कि जब परीक्षण प्रोटीन प्रशिक्षण सेट के साथ लगभग कोई संरचनात्मक समानता नहीं रखते थे, तब भी सिस्टम ने यादृच्छिक संभावना (random chance) से बेहतर प्रदर्शन किया। यह इंगित करता है कि सिस्टम ने केवल विशिष्ट उदाहरणों को याद करने के बजाय, आणविक गति और कार्य के बीच कैसे संबंध होता है, इसके सामान्य नियम सीख लिए हैं। हालांकि, सटीकता में गिरावट ने यह भी दिखाया कि सिस्टम पूर्ण नहीं है; यह सटीक अनुमान लगाने के लिए अभी भी प्रोटीनों के बीच समानता के स्तर पर निर्भर करता है।

यह सुनिश्चित करने के लिए कि सिस्टम वास्तव में सही चीजों को देख रहा है, टीम ने इसे अलग करके देखा कि कौन से हिस्से सबसे अधिक महत्वपूर्ण हैं। उन्होंने पाया कि सिस्टम को सर्वोत्तम रूप से कार्य करने के लिए अपने सभी घटकों की आवश्यकता थी: परमाणुओं के जुड़ाव का मानचित्र, विभिन्न हिस्सों के एक साथ चलने का डेटा, समग्र गति का सरलीकृत विवरण और रासायनिक अनुक्रम। इनमें से किसी भी हिस्से को हटाने से सिस्टम अपने काम में कमजोर हो गया। इसने पुष्टि की कि इस पद्धति की शक्ति इन विभिन्न प्रकार की सूचनाओं को संयोजित करने से आती है। इसके अलावा, जब शोधकर्ताओं ने एडेनाइलेट काइनेज (adenylate kinase) नामक एक विशिष्ट प्रोटीन को करीब से देखा, तो सिस्टम ने अणु के उन सटीक क्षेत्रों को उजागर किया जो इसकी गति में शामिल होने के लिए जाने जाते हैं। ये प्रोटीन के वे हिस्से थे जो इसके कार्य चक्र के दौरान एक ढक्कन की तरह खुलते और बंद होते हैं। मानव निर्मित डेटा और ज्ञात जैविक तथ्यों के बीच यह संरेखण बताता है कि सिस्टम वास्तविक, सार्थक गतिकी को पकड़ रहा है, न कि केवल शोर (noise) को।

यह अध्ययन यह दावा नहीं करता है कि इसने प्रोटीन कार्य के रहस्य को पूरी तरह से सुलझा लिया है, न ही यह सुझाव देता है कि कंप्यूटर ने नए जैविक नियम खोज लिए हैं। इसके बजाय, यह गति और कार्य के बीच के संबंध को समझने के लिए एक नया उपकरण प्रदान करता है। शोधकर्ता इस बात पर जोर देते हैं कि जबकि उनका सिस्टम यह पहचान सकता है कि प्रोटीन के कौन से हिस्से उसकी गति के लिए महत्वपूर्ण हैं, यह यह सिद्ध नहीं करता है कि वे हिस्से कार्य का कारण बनते हैं; इसके लिए आगे के भौतिक प्रयोगों की आवश्यकता होगी। उनके काम की कुछ सीमाएँ भी हैं, क्योंकि यह शुरू में ही प्रोटीनों की कंप्यूटर-जनित फिल्मों पर निर्भर करता है, और इसका अभी तक सभी प्रकार के प्रोटीनों, जैसे कि कोशिका झिल्ली में तैरने वाले या पूरी तरह से अव्यवस्थित (disordered) प्रोटीनों पर परीक्षण नहीं किया गया है। फिर भी, अणुओं के जटिल, बदलते व्यवहार को एक हस्तांतरणीय सिग्नेचर में अनुवादित करने की क्षमता एक महत्वपूर्ण प्रगति है। यह परमाणुओं के अदृश्य नृत्य को जीवित प्रणालियों में प्रोटीन द्वारा किए जाने वाले दृश्य कार्यों से जोड़ने का एक तरीका प्रदान करता है, जिससे नए प्रोटीन कैसे व्यवहार कर सकते हैं, इसका पूर्वानुमान लगाने के लिए एक स्पष्ट मार्ग मिलता है।