Proteini su makromolekule koje sudjeluju u gotovo svim biološkim procesima, bilo da se radi o transportu molekula, enzimskoj aktivnosti ili staničnoj signalizaciji. Poznavanje strukture proteina izuzetno je važno za razumijevanje funkcije proteina, primjerice na koji će se način vezati na druge vrste molekula, pa čak i kako će reagirati na lijekove.
Ono što je ključno za moderno razumijevanje bioloških procesa jest činjenica da proteini imaju trodimenzionalnu strukturu. To znači da je osim važnih odrednica svakog proteina poput redoslijeda niza aminokiselina koje su gradivne sastavnice proteina, način na koji se protein 'savije' u trodimenzionalni oblik kritičan čimbenik koji određuje način na koji će protein djelovati u organizmu.
Eksperimentalne i računalne metode
Pokušaji preciznog predviđanja strukture proteina nisu nepoznat koncept i na tome se radi desetljećima. Dosadašnji pokušaji uključivali su eksperimentalne metode koje su bile zlatni standard za određivanje strukture proteina. Neke od eksperimentalnih metoda uključuju rendgensku kristalografiju – protein bi se kristalizirao, zatim bi se kroz kristal usmjeravale rendgenske zrake, a na temelju raspršenja rendgenskih zraka naučnici su mogli rekonstruirati trodimenzionalnu strukturu.
Od poznatijih eksperimentalnih metoda izvodila se još i nuklearna magnetska rezonancija, pri kojoj su se koristila magnetska svojstva atoma unutar proteina da bi se odredila njihova struktura u otopini, okolišu prirodnijem za proteine. Eksperimentalne metode zahtijevale su vrijeme i resurse, a dodatni problemi odnosili su se na gubitak prirodne strukture proteina prilikom kristalizacije (kristalografija rendgenskim zrakama) i ograničenost na manje proteine uz zahtijevanje vrlo velikih količina čistog proteina (nuklearna magnetska rezonancija).
Osim eksperimentalnim, računalnim se metodama također pokušavala odrediti struktura proteina. Navedene su metode međutim bez uspjeha na razini koja bi bila zadovoljavajuća za praktičnu primjenu. Neka od ograničenja računalnih metoda bila su preveliki broj mogućih konfiguracija proteina zbog dugih lanaca aminokiselina i dugotrajnost procesa uprkos upotrebi velikih računarskih resursa.
Dodatni problem računalnih metoda bio je oslanjanje na fizikalne modele, što je zbog nedostatka korištenja tehnika mašinskog učenja značilo da je svako novo predviđanje zahtijevalo puno ručnog rada i optimizacije.
Veća tačnost predviđanja strukture proteina
Inovacija koju su donijeli Baker, Hassabis i Jumper odnosi se poglavito na računalni alat AlphaFold, koji je, koristeći napredne metode strojnog učenja i umjetne inteligencije, dramatično povećao tačnost predviđanja strukture proteina. Ovaj sistem omogućio je predviđanje strukture proteina u kratkom vremenu s tačnošću usporedivom s eksperimentalnim metodama, što je dotad bilo gotovo nezamislivo. Dok su starije metode bile spore i resursno zahtjevne, AlphaFold može relativno brzo generirati tačna predviđanja učeći iz postojećih eksperimentalnih podataka o strukturi proteina, načinivši taj proces dostupnijim i široko primjenjivim.
Osim potencijala za podrobnije razumijevanje fizioloških procesa koji uključuju proteine, ovo dostignuće važno je i za razvoj lijekova. Proteini su često ciljno mjesto za brojne lijekove i oblik proteina određuje način na koji će protein i lijek međudjelovati. Ako je poznata precizna struktura proteina uključenih u bolesti, primjerice u stanjima poput karcinoma ili neurodegenerativnih bolesti, moguće je brže i preciznije razviti lijekove koji će ciljati te proteine. Sve to može značajno smanjiti troškove i vrijeme razvoja lijekova i unaprijediti personalizirani pristup u medicini.
AlphaFold, iako revolucionaran u predviđanju strukture proteina, izazvao je određene kontroverze u naučnoj zajednici. Neki naučnici ističu nedostatak transparentnosti – primjerice nedostupnost svih algoritama i podataka na kojima se sistem trenira, što bi drugim naučnicima moglo otežati repliciranje rezultata i razumijevanje temeljnog rada sistema. Dodatno, kritičari smatraju da je uloga ovog revolucionarnog alata u biomedicini pretjerano istaknuta iz razloga što struktura proteina sama po sebi nije uvijek dovoljna za razvoj novih lijekova. To znači da, iako AlphaPhold može ubrzati proces identifikacije ciljeva za lijekove, predviđena struktura ne daje automatski uvid u funkciju ili patološke mehanizme proteina u kompleksnim biološkim procesima.
Zaključno, Baker, Hassabis i Jumper zaslužni su za razvoj sistema koji kombinira informacije o strukturnim karakteristikama proteina kako bi predvidio tačne trodimenzionalne strukture s preciznošću usporedivom s eksperimentalnim metodama, ali bez dugotrajnih i skupih laboratorijskih postupaka. Njihov rad predstavlja naučnu revoluciju koja je transformirala biološka istraživanja omogućivši brzo, pouzdano i pristupačno predviđanje strukture proteina na način koji je ranije bio nezamisliv. Rješavajući ovaj dugogodišnji grand challenge, osigurali su svoje mjesto među dobitnicima Nobelove nagrade, ostavljajući trajan utjecaj na nauku, piše Tportal.hr.
