Dynamic Network Context Predicts Mutation-Induced Reshaping of Protein Conformational Free-Energy Landscapes
यह अध्ययन ICed-ENM फ्रेमवर्क पेश करता है, जो संरचना-व्युत्पन्न गतिशील संवेदनशीलता स्कोर का उपयोग करके सफलतापूर्वक भविष्यवाणी करता है कि मिसेंस म्यूटेशन प्रोटीन कन्फर्मेशनल लैंडस्केप को कैसे नया रूप देते हैं और गतिविधि-चयनात्मक एवं प्रचुरता-संबंधी कार्यात्मक हानियों के बीच अंतर करते 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 विशिष्ट आकृतियों में मुड़कर कोशिकाओं के निर्माण, संक्रमणों से लड़ने या संकेत भेजने जैसे कार्यों को अंजाम देती हैं। एक प्रोटीन के काम करने के लिए, न केवल उसके पास सही आकार होना चाहिए, बल्कि सही लचीलापन भी होना चाहिए। कल्पना कीजिए कि एक प्रोटीन एक कठोर मूर्ति नहीं, बल्कि एक जीवित संरचना है जो लगातार हिलती-डुलती, सांस लेती और विभिन्न मुद्राओं के बीच बदलती रहती है। ये गतिविधियाँ आवश्यक हैं; ये प्रोटीन को एक कब्जे (हिंज) की तरह खुलने और बंद होने, अन्य अणुओं को पकड़ने, या अपना काम करने के लिए अपना रूप बदलने की अनुमति देती हैं। जब प्रोटीन की श्रृंखला में एक निर्माण खंड, जिसे अमीनो एसिड कहा जाता है, को दूसरे से बदल दिया जाता है, तो यह इन नाजुक गतिविधियों को बाधित कर सकता है। कभी-कभी यह बदलाव हानिरहित होता है, लेकिन अन्य बार यह मशीन को जाम कर सकता है, जिससे यह खराब हो जाती है और कैंसर से लेकर न्यूरोडीजेनेरेटिव विकारों तक विभिन्न बीमारियों का कारण बनती है।
वैज्ञानिकों के लिए लंबे समय से चुनौती यह रही है कि कौन से बदलाव परेशानी पैदा करेंगे, इसका पूर्वानुमान कैसे लगाया जाए। पारंपरिक तरीके अक्सर प्रोटीन के स्थिर आकार को देखते हैं, जैसे कि एक तस्वीर, यह अनुमान लगाने के लिए कि क्या गलत हो सकता है। हालाँकि, एक एकल स्नैपशॉट उस गति के नृत्य को कैद नहीं कर सकता जो प्रोटीन के वास्तविक कार्य को परिभाषित करती है। हालांकि शक्तिशाली कंप्यूटर सिमुलेशन इन गतिविधियों को ट्रैक कर सकते हैं, लेकिन हर संभावित उत्परिवर्तन (म्यूटेशन) के लिए उन्हें चलाना अविश्वसनीय रूप से धीमा और महंगा होता है। शोधकर्ताओं को एक तेज़ तरीके की आवश्यकता है जिससे वे देख सकें कि एक स्थान पर होने वाला परिवर्तन पूरे ढांचे में कैसे लहर की तरह फैलता है, प्रोटीन की आंतरिक लय को बदल देता है और संभावित रूप से उसके कार्य को बाधित करता है।
स्वीडन के कैरोलिंस्का इंस्टीट्यूट के शोधकर्ताओं ने इस समस्या को हल करने के लिए एक नया दृष्टिकोण विकसित किया है। उन्होंने एक कम्प्यूटेशनल ढांचा तैयार किया जो प्रोटीन को जुड़े हुए बिंदुओं के एक नेटवर्क के रूप में मानता है, जो एक स्प्रिंग जैसी जाली (मेष) के समान है, लेकिन इसमें एक महत्वपूर्ण सुधार किया गया है। केवल यह देखने के बजाय कि बिंदु अंतरिक्ष में एक-दूसरे से कितनी दूर हैं, उनका मॉडल उन विशिष्ट कोणों और बंधों (बॉन्ड्स) को ध्यान में रखता है जो प्रोटीन को एक साथ थामे रखते हैं, जिससे अणु की वास्तविक ज्यामिति सुरक्षित रहती है। इस नेटवर्क के कंपन का विश्लेषण करके, टीम यह गणना कर सकती है कि एक एकल अमीनो एसिड का बदलाव प्रोटीन की प्राकृतिक गति को कितना बाधित करता है। वे इस व्यवधान को 'वाइब्रेशनल एंट्रॉपी' (कंपन संबंधी एन्ट्रॉपी) में परिवर्तन कहते हैं, जो इस बात का माप है कि प्रोटीन का लचीलापन कितना बदल गया है।
शोधकर्ताओं ने अपने तरीके का परीक्षण विभिन्न प्रोटीनों में हजारों उत्परिवर्तनों का अनुकरण (सिमुलेशन) करके किया। उन्होंने पाया कि उनका मॉडल उन "हॉट स्पॉट्स" की पहचान कर सकता है—विशिष्ट स्थान जहाँ परिवर्तन के कारण प्रोटीन की गति में बड़ा व्यवधान आने की संभावना होती है। इसकी पुष्टि करने के लिए, उन्होंने तीन अलग-अलग प्रोटीनों में से कुछ उच्च-जोखिम वाले स्थानों और कुछ कम-जोखिम वाले स्थानों को चुना और यह देखने के लिए विस्तृत, उच्च-गति वाले कंप्यूटर सिमुलेशन चलाए कि वास्तव में क्या हुआ। परिणाम स्पष्ट थे: जब उन्होंने अपने मॉडल द्वारा पहचाने गए उच्च-जोखिम वाले स्थानों पर अमीनो एसिड बदले, तो प्रोटीन के आंदोलन के पैटर्न काफी बदल गए। प्रोटीन ने विभिन्न आकृतियों को तलाशा और अपने संतुलन को उस तरह से बदला जैसे कम-जोखिम वाले बदलावों ने नहीं बदला। कुछ मामलों में, उत्परिवर्तनों ने प्रोटीन को ऐसी नई आकृतियों को अपनाने के लिए प्रेरित किया जो उसके सामान्य कार्यशील स्थानों से बहुत दूर थीं, जिससे उसकी संभावित गतिविधियों के परिदृश्य को ही नया रूप मिल गया।
केवल यह पहचानने के अलावा कि उत्परिवर्तन कहाँ समस्या पैदा कर सकते हैं, टीम ने इन व्यवधानों के पीछे के पैटर्न को भी देखा। उन्होंने पाया कि उत्परिवर्तन का प्रभाव काफी हद तक शामिल अमीनो एसिड के भौतिक गुणों पर निर्भर करता है। एक छोटे अमीनो एसिड को बहुत बड़े अमीनो एसिड से बदलना, या प्रोटीन के एक आवेशित (चार्ज्ड) हिस्से को तटस्थ (न्यूट्रल) हिस्से से बदलना, बड़े व्यवधान का कारण बनने की अधिक संभावना रखता है। दिलचस्प बात यह है कि मॉडल ने दिखाया कि ये विघटनकारी परिवर्तन प्रोटीन के घनीभूत कोर (केंद्र) तक ही सीमित नहीं थे। कई सबसे संवेदनशील स्थान वास्तव में सतह पर मौजूद ढीले, अधिक लचीले लूप्स में थे, जो यह सुझाव देते हैं कि भले ही वे क्षेत्र महत्वहीन दिखते हों, वे प्रोटीन की समग्र लय के लिए महत्वपूर्ण हो सकते हैं।
यह देखने के लिए कि क्या यह गतिशील संवेदनशीलता वास्तविक दुनिया के रोग संदर्भ में मायने रखती है, शोधकर्ताओं ने इसे PTEN पर लागू किया, जो एक ट्यूमर सप्रेसर (कैंसर रोकने वाला प्रोटीन) के रूप में कार्य करता है। उन्होंने अपने भविष्यवाणियों की तुलना मानव उत्परिवर्तनों के एक विशाल डेटासेट से की जिसका प्रयोगशाला में पहले ही परीक्षण किया जा चुका था। लक्ष्य दो प्रकार की विफलताओं के बीच अंतर करना था: वे उत्परिवर्तन जो प्रोटीन को गायब कर देते हैं (इसकी प्रचुरता को कम करते हैं) और वे जो प्रोटीन को मौजूद तो रखते हैं लेकिन काम करना बंद कर देते हैं (इसकी सक्रियता को कम करते हैं)। यह अंतर अत्यंत महत्वपूर्ण है क्योंकि एक दवा एक प्रकार की समस्या को ठीक कर सकती है लेकिन दूसरी को नहीं। शोधकर्ताओं ने पाया कि उनका मॉडल उन उत्परिवर्तनों को पहचानने में उल्लेखनीय रूप से सक्षम था जो प्रोटीन को कोशिका में मौजूद रहने के बावजूद उसके कार्य को समाप्त कर देते हैं। इसने स्थिरता या सामान्य रोग जोखिम पर ध्यान केंद्रित करने वाले अन्य मौजूदा तरीकों को पछाड़ दिया, और सफलतापूर्वक "टूटे हुए लेकिन मौजूद" उत्परिवर्तनों को उन उत्परिवर्तनों से अलग किया जो केवल प्रोटीन को गायब कर देते हैं।
अध्ययन यह सुझाव देता है कि एक प्रोटीन कैसे चलता है, यह निर्धारित करने में एक प्रमुख कारक है कि किसी आनुवंशिक उत्परिवर्तन से बीमारी होगी या नहीं। प्रोटीन के केवल स्थिर आकार के बजाय उसके गतिशील नेटवर्क पर ध्यान केंद्रित करके, यह नया ढांचा आनुवंशिक परिवर्तनों के प्रभाव का पूर्वानुमान लगाने का एक तेज़ और अधिक सटीक तरीका प्रदान करता है। हालांकि यह मॉडल पूर्ण नहीं है और अभी तक हर एक परिणाम की भविष्यवाणी नहीं कर सकता है, फिर भी यह किन उत्परिवर्तनों पर आगे अध्ययन किया जाना चाहिए, उन्हें प्राथमिकता देने के लिए एक शक्तिशाली उपकरण प्रदान करता है। यह केवल इस सवाल से आगे बढ़कर कि क्या एक प्रोटीन स्थिर है, इस सवाल पर ध्यान केंद्रित करता है कि क्या वह अभी भी उसी तरह चल सकता है जैसा उसे ज़रूरत है, जो आनुवंशिक रोगों के यांत्रिक कारणों में एक स्पष्ट खिड़की खोलता 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।