AlphaFold Database expands to proteome-scale quaternary structures
यह शोध पत्र अल्फाफोल्ड प्रोटीन संरचना डेटाबेस के विस्तार का वर्णन करता है जिसमें 4,777 जीवों में होमो- और हेटेरोडिमरिक परिसरों के 1.81 मिलियन उच्च-विश्वास, प्रोटिओम-स्केल भविष्यवाणियों को शामिल किया गया है, जो कार्यात्मक खोज की सुविधा के लिए मौजूदा प्रयोगात्मक कवरेज से काफी आगे बढ़ते हुए नवीन संरचनात्मक टोपोलॉजी और संरक्षित प्राचीन असेंबली 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
कल्पना कीजिए कि मानव शरीर (और अन्य सभी जीवित चीजों) को एक विशाल, हलचल भरे शहर के रूप में देखा जा रहा है। इस शहर के भीतर, कार्यकर्ता प्रोटीन हैं। लंबे समय तक, वैज्ञानिकों ने इन कार्यकर्ताओं को एकल कर्मचारियों के रूप में माना, जो अपना काम अलग-थलग रहकर करते हैं। हमने एक विशाल डिजिटल लाइब्रेरी भी बनाई, जिसे अल्फाफोल्ड डेटाबेस (AlphaFold Database) कहा जाता है, जिसमें लाखों ऐसे एकल कार्यकर्ताओं के ब्लूप्रिंट शामिल हैं, जो हमें दिखाते हैं कि वे 3D में बिल्कुल कैसे दिखते हैं। लेकिन यहाँ एक पेंच है: वास्तविक शहर में, प्रोटीन शायद ही कभी अकेले काम करते हैं। वे सामाजिक प्राणी हैं जो काम पूरा करने के लिए लगातार एक साथ आते हैं, हाथ मिलाते हैं और जटिल मशीनें बनाते हैं। इन टीमों को "कॉम्प्लेक्स" (complexes) कहा जाता है। अब तक, हमारी लाइब्रेरी इन टीमों के ब्लूप्रिंट के बिना अधूरी थी। हम जानते थे कि कार्यकर्ता कौन हैं, लेकिन हमें यह नहीं पता था कि वे कैसे हाथ मिलाते हैं या अपनी मशीनें कैसे बनाते हैं। यह महत्वपूर्ण है क्योंकि यदि आप किसी टूटी हुई मशीन को ठीक करना चाहते हैं या यह समझना चाहते हैं कि एक शहर कैसे चलता है, तो आपको कार्यकर्ताओं को एक साथ देखना होगा, न कि केवल अकेले खड़े होते हुए।
अब, यूरोपीय आणविक जीव विज्ञान प्रयोगशाला (EMBL), सियोल नेशनल यूनिवर्सिटी, NVIDIA और Google DeepMind के वैज्ञानिकों के बीच एक बड़े सहयोग ने अंततः इस लाइब्रेरी के लापता हिस्से के दरवाजे खोल दिए हैं। उन्होंने केवल अनुमान नहीं लगाया; उन्होंने 31 मिलियन से अधिक संभावित प्रोटीन टीमों के 3D आकार की भविष्यवाणी करने के लिए सुपरकंप्यूटर का उपयोग किया। इन भविष्यवाणियों के पहाड़ में से, उन्होंने अस्थिर अनुमानों को छाँटकर अलग कर दिया और प्रोटीन जोड़ों के 1.81 मिलियन उच्च-विश्वास (high-confidence) वाले मॉडलों को रखा जो एक साथ काम कर रहे हैं। इसे एक लाइब्रेरी के रूप में सोचें जो एकल चित्रों के संग्रह से बदलकर समूह तस्वीरों की एक विशाल गैलरी में अपग्रेड हो गई है। उन्होंने पाया कि जहाँ कुछ टीमें उन टीमों के समान दिखती हैं जिन्हें हमने पहले सूक्ष्मदर्शी (microscope) के नीचे देखा है, वहीं कई अन्य बिल्कुल नई हैं, जो ऐसी संरचनाओं को प्रकट करती हैं जो केवल प्रोटीन को अकेले देखने पर पूरी तरह से अदृश्य थीं। यह नया संसाधन अब सभी के अन्वेषण के लिए निःशुल्क उपलब्ध है, जो जीवन की आणविक मशीनरी वास्तव में कैसे असेंबल होती है, इस पर एक ताज़ा दृष्टिकोण प्रदान करता है।
बड़ी छलांग: एकल प्रदर्शन से टीम स्पोर्ट्स तक
वर्षों तक, अल्फाफोल्ड प्रोटीन स्ट्रक्चर डेटाबेस (AFDB) व्यक्तिगत अभिनेताओं के एक फोटो एल्बम की तरह था। इसने अविश्वसनीय सटीकता के साथ एकल प्रोटीनों के 3D आकार दिए, जिससे जीव विज्ञान को समझने के हमारे तरीके में क्रांति आ गई। लेकिन जीव विज्ञान शायद ही कभी कोई एकल अभिनय होता है। प्रोटीन आमतौर पर अन्य प्रोटीनों को पकड़कर, जोड़े या बड़े समूहों का निर्माण करके कार्य करते हैं, जैसे संकेत भेजना, कोशिका भित्ति बनाना, या DNA की नकल करना। समस्या यह थी कि हमारे पास अभिनेताओं की तस्वीरें तो थीं, लेकिन हमारे पास जुगलबंदी (duets) की तस्वीरें नहीं थीं।
यह नया पेपर उस डेटाबेस के एक विशाल विस्तार का वर्णन करता है। टीम ने 4,777 विभिन्न जीवों (जिसमें सामान्य लैब बैक्टीरिया से लेकर वैश्विक स्वास्थ्य के लिए महत्वपूर्ण जीव तक शामिल हैं) से 31 मिलियन संभावित प्रोटीन जोड़ों (जिन्हें डाइमर कहा जाता है) की संरचनाओं की भविष्यवाणी की। उन्होंने सब कुछ बस मिला नहीं दिया; उन्होंने सबसे विश्वसनीय भविष्यवाणियों को खोजने के लिए एक कठोर फ़िल्टरिंग प्रक्रिया का उपयोग किया। इन सभी को गुणवत्ता जांच से गुजारने के बाद, उन्होंने 1.81 मिलियन उच्च-विश्वास वाली संरचनाओं की पहचान की। ये वे "गोल्ड स्टैंडर्ड" मॉडल हैं जहाँ कंप्यूटर को पूरा विश्वास है कि दोनों प्रोटीन वास्तव में उसी तरह हाथ मिला रहे हैं जैसा कि भविष्यवाणी की गई है।
क्यों जोड़ों को देखना सब कुछ बदल देता है
इस खोज का सबसे रोमांचक हिस्सा यह है कि प्रोटीन को एक टीम के रूप में देखना अक्सर कहानी को पूरी तरह से बदल देता है। कभी-कभी, एक प्रोटीन अकेले भविष्यवाणी किए जाने पर एक अव्यवधर, अपरिचित ढेर जैसा दिखता है, लेकिन जब आप इसे अपने साथी के बगल में रखते हैं, तो यह एक सटीक, स्पष्ट आकार में ढल जाता है।
लेखकों ने पाया कि यह कई तरीकों से होता है:
- "पहेली के टुकड़े" का प्रभाव (The "Puzzle Piece" Effect): कुछ प्रोटीन पहेली के टुकड़ों की तरह होते हैं जो केवल तभी समझ में आते हैं जब वे आपस में जुड़ जाते हैं। उदाहरण के लिए, स्लाइम मोल्ड (एक प्रकार का सूक्ष्मजीव) से संबंधित एक प्रोटीन अकेले होने पर एक टूटे हुए, कम-विश्वास वाले ढेर जैसा दिखता था। लेकिन एक जोड़ी के रूप में मॉडल किए जाने पर, दोनों हिस्सों ने एक-दूसरे के आकार को पूरा करने के लिए अपनी संरचना के हिस्सों को आपस में बदला, और एक पूर्ण, उच्च-विश्वास वाली मशीन बनाई।
- "दीवार बनाने वाला" प्रभाव (The "Wall Builder" Effect): कुछ प्रोटीन ईंटों की तरह होते हैं जिन्हें दीवार बनाने के लिए एक के ऊपर एक रखा जाना चाहिए। सेल की सफाई (ऑटोफैगी) में शामिल एक प्रोटीन अकेले होने पर एक डगमगाता हुआ, अनिश्चित हेलिक्स बंडल जैसा दिखता था। लेकिन अपने जुड़वां के साथ जोड़े जाने पर, उन्होंने एक ठोस, सुसंगत संरचना बनाई जिसने स्पष्ट रूप से परिभाषित किया कि कोशिका झिल्ली कहाँ होनी चाहिए, जिसे एकल मॉडल नहीं समझ सका था।
- "वास्तुकार" का प्रभाव (The "Architect" Effect): भले ही एक एकल प्रोटीन अच्छा दिखता हो, लेकिन एक साथी जोड़ने से इसके विभिन्न हिस्सों के विन्यास (arrangement) में सुधार हो सकता है। एक प्रोटीन के पास एक आत्मविश्वासी आकार था, लेकिन इसके दो मुख्य खंडों के बीच की दूरी एक अनुमान थी। जब जोड़ी के रूप में मॉडल किया गया, तो साथी ने एक मचान (scaffold) की तरह काम किया, जिससे दोनों खंड सही स्थिति में लॉक हो गए।
संक्षेप में, यह पेपर दिखाता है कि कई प्रोटीनों के लिए, "वास्तविक" आकार केवल तभी मौजूद होता है जब वे एक कॉम्प्लेक्स में होते हैं। आप भागों को अलग-अलग देखकर पूरी तस्वीर को नहीं समझ सकते।
संख्याएँ हमें क्या बताती हैं
टीम ने केवल सुंदर चित्र ही नहीं बनाए; उन्होंने यह देखने के लिए गणित भी किया कि ये भविष्यवाणियाँ कितनी विश्वसनीय हैं। उन्होंने एक "उच्च-विश्वास" टीम के लिए सख्त नियम निर्धारित किए। उन्होंने पाया कि:
- होमोडिमर्स (समान जोड़े): लगभग 9.1% अनुमानित समान जोड़े उच्च-विश्वास परीक्षण में पास हुए। यह बहुत अधिक है! यह सुझाव देता है कि जब एक ही प्रोटीन की दो इकाइयाँ टीम बनाती हैं, तो कंप्यूटर यह समझने में काफी अच्छा है कि वे कैसे फिट होती हैं।
- हेटरोडिमर्स (विभिन्न जोड़े): अनुमानित विभिन्न जोड़ों में से केवल लगभग 1.0% ही परीक्षण में पास हुए। यह कम है, और लेखक सुझाव देते हैं कि ऐसा इसलिए है क्योंकि उन्होंने संभावित साथियों को खोजने के लिए एक विस्तृत जाल फैलाया था, जिसका अर्थ है कि उन्होंने जिन जोड़ों का परीक्षण किया उनमें से कई वास्तव में वास्तविक जीवन में परस्पर क्रिया (interact) नहीं करते होंगे।
- प्राचीन टीमें: जब उन्होंने इन संरचनाओं को समानता के आधार पर वर्गीकृत किया, तो उन्होंने पाया कि शीर्ष 1% सबसे आम संरचनाओं ने सभी उच्च-विश्वास वाले कॉम्प्लेक्सों में लगभग 44% का योगदान दिया। इससे भी अधिक दिलचस्प बात यह है कि इनमें से लगभग 8.3% सामान्य संरचनाएं जीवन की पूरी तरह से अलग शाखाओं (जैसे बैक्टीरिया, पौधों और जानवरों) में पाई गईं। यह सुझाव देता है कि इनमें से कुछ प्रोटीन टीमें प्राचीन हैं, जिन्हें अरबों वर्षों से विकसित होकर बनाए रखा गया है क्योंकि वे बहुत अच्छी तरह से काम करती हैं।
ज्ञात दुनिया से परे
सबसे बड़ी बातों में से एक यह है कि यह नई दुनिया कितनी नई है। जब उन्होंने अपने 1.81 मिलियन उच्च-विश्वास वाले मॉडलों की मौजूदा लाइब्रेरी (PDB) के साथ तुलना की, तो उन्होंने पाया कि 31.3% व्यक्तिगत भविष्यवाणियां ऐसी थीं जो हमने पहले कभी सूक्ष्मदर्शी के नीचे नहीं देखी थीं। समूहों (clusters) के स्तर पर, 63.6% अद्वितीय संरचनाओं का कोई ज्ञात प्रयोगात्मक मिलान नहीं था।
इसका मतलब है कि डेटाबेस केवल रिक्त स्थानों को भर नहीं रहा है; यह पूरी तरह से नए क्षेत्रों की खोज कर रहा है। जबकि इनमें से कई भविष्यवाणियाँ जो हम पहले से जानते हैं उसमें आधारित हैं (जो वैज्ञानिकों को विश्वास दिलाती हैं), एक बड़ा हिस्सा अज्ञात क्षेत्र में फैला हुआ है, जो उन संरचनाओं के लिए परिकल्पनाएं (hypotheses) पेश करता है जिन्हें प्रयोगात्मक वैज्ञानिकों ने अभी तक नहीं पाया है।
निष्कर्ष
यह पेपर एक बड़ा कदम है, जो अल्फाफोल्ड डेटाबेस को एकल चित्रों के संग्रह से बदलकर आणविक टीम वर्क की एक गतिशील गैलरी में बदल देता है। प्रोटीन जोड़ों के 1.81 मिलियन उच्च-विश्वास वाले मॉडल प्रदान करके, लेखकों ने जीव विज्ञानियों को यह परिकल्पना करने के लिए एक नया उपकरण दिया है कि प्रोटीन कैसे परस्पर क्रिया करते हैं, बीमारियां इन टीमों को कैसे बाधित कर सकती हैं, और नई दवाओं को कैसे डिजाइन किया जा सकता है। वे यह दावा नहीं कर रहे हैं कि उन्होंने ब्रह्मांड में हर प्रोटीन इंटरेक्शन को हल कर लिया है, लेकिन उन्होंने एक स्केलेबल, विश्वसनीय ढांचा प्रदान किया है जो उस अंतर को पाटता है जिसे हम जानते हैं और जिसे हमें खोजने की आवश्यकता है। लाइब्रेरी अब खुली है, और समूह तस्वीरें आपके अन्वेषण के लिए तैयार हैं।
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।