مدل هوش مصنوعی که رمز مسیر پروتئین‌ها را کشف می‌کند
پروتئین‌ها مولکول‌های کلیدی سلول‌های ما هستند که انواع عملکردهای حیاتی را انجام می‌دهند. دانشمندان مدت‌هاست که می‌دانند ساختار پروتئین تعیین‌کننده‌ی وظایف آن است. اما اخیراً مشخص شده که محل قرارگیری پروتئین‌ها درون سلول نیز در عملکرد آن‌ها نقش مهمی دارد.
سلول‌ها حاوی محفظه‌های مختلفی هستند که به سازماندهی اجزای آن‌ها کمک می‌کنند. علاوه بر اندامک‌های شناخته‌شده، این محفظه‌ها شامل بخش‌های پویا و فاقد غشا نیز هستند که مولکول‌های خاصی را در کنار هم جمع می‌کنند تا عملکردهای مشترکی را انجام دهند. شناسایی محل دقیق یک پروتئین و تشخیص اینکه با چه مولکول‌هایی هم‌محل است می‌تواند اطلاعات ارزشمندی درباره عملکرد آن در شرایط سالم یا بیماری ارائه دهد. اما دانشمندان تاکنون روش سیستماتیکی برای پیش‌بینی این اطلاعات نداشتند.
مدل ProtGPS، گامی جدید در پیش‌بینی محل پروتئین‌ها
در سال‌های اخیر، ابزارهایی مانند AlphaFold که از هوش مصنوعی برای پیش‌بینی ساختار پروتئین بر اساس توالی آمینواسیدی استفاده می‌کنند، تحولی در این حوزه ایجاد کرده‌اند. اما پروتئین‌ها علاوه بر بخش‌های ساختاری، دارای مناطقی هستند که به شکل مشخصی تا نمی‌خورند، اما برای اتصال به محفظه‌های پویا درون سلول ضروری هستند.
تیمی از محققان موسسه فناوری ماساچوست (MIT)، از جمله پروفسور ریچارد یانگ، دکتر هنری کیلگور و همکارانشان، مدلی به نام ProtGPS توسعه داده‌اند که می‌تواند بر اساس توالی آمینواسیدی، محل نهایی پروتئین را درون سلول پیش‌بینی کند. این مدل برای اولین بار در ۶ فوریه در ژورنال Science منتشر شد.
نتایج این مطالعه نشان می‌دهد که ProtGPS قادر است محل قرارگیری پروتئین‌ها را در ۱۲ نوع مختلف از محفظه‌های شناخته‌شده سلولی پیش‌بینی کند. علاوه بر این، می‌تواند تغییرات ناشی از جهش‌های مرتبط با بیماری را نیز شناسایی کند. همچنین، تیم تحقیقاتی یک الگوریتم مولد توسعه داده که می‌تواند پروتئین‌های جدیدی طراحی کند که به محفظه‌های خاصی در سلول هدایت شوند.
تأیید نتایج مدل از طریق آزمایش‌های تجربی
دانشمندان مدل خود را بر روی دو مجموعه از پروتئین‌هایی با محل‌های شناخته‌شده آزمایش کردند و دریافتند که ProtGPS با دقت بالایی مکان پروتئین‌ها را پیش‌بینی می‌کند. همچنین، این مدل مورد ارزیابی قرار گرفت که چگونه می‌تواند تغییرات در مکان پروتئین‌ها را بر اثر جهش‌های مرتبط با بیماری پیش‌بینی کند.
بسیاری از بیماری‌ها ناشی از جهش‌های ژنتیکی هستند که عملکرد پروتئین‌ها را تغییر می‌دهد. یکی از نظریه‌های محققان این است که برخی از این جهش‌ها باعث اختلال در محل قرارگیری پروتئین در سلول می‌شوند و در نتیجه، سلول به‌درستی کار نمی‌کند.
برای آزمایش این موضوع، مدل ProtGPS بیش از ۲۰۰,۰۰۰ پروتئین جهش‌یافته را تجزیه و تحلیل کرد و پیش‌بینی کرد که این جهش‌ها چقدر باعث تغییر مکان پروتئین‌های طبیعی در مقایسه با نسخه‌های جهش‌یافته می‌شوند. سپس، محققان ۲۰ نمونه را در آزمایشگاه با استفاده از فلورسانس مورد بررسی قرار دادند و تأیید کردند که مدل دقیقاً همان تغییرات را پیش‌بینی کرده است.
طراحی پروتئین‌های جدید برای هدف‌یابی مکان‌های خاص
علاوه بر پیش‌بینی مکان پروتئین‌های موجود، محققان هدف دیگری نیز داشتند: طراحی پروتئین‌های کاملاً جدید که بتوانند به مکان‌های خاصی درون سلول هدایت شوند. این کار چالش‌برانگیز است، زیرا تولید پروتئین‌هایی که عملکرد مشخصی داشته باشند، بسیار دشوار است.
برای افزایش دقت این مدل، دانشمندان الگوریتم خود را طوری تنظیم کردند که فقط پروتئین‌هایی را طراحی کند که از نظر ساختاری مشابه نمونه‌های طبیعی باشند. این استراتژی معمولاً در طراحی داروها به کار می‌رود، زیرا طبیعت طی میلیاردها سال، بهترین توالی‌های پروتئینی را انتخاب کرده است.
برای ارزیابی دقت مدل، محققان آزمایشی انجام دادند که در آن ۱۰ پروتئین جدید طراحی و هدف‌گذاری شدند تا درون هسته سلول قرار بگیرند. نتایج نشان داد که ۴ مورد از آن‌ها محل مورد نظر را با موفقیت هدف گرفتند و سایرین نیز به درجاتی به آن مکان گرایش نشان دادند.
کاربردهای آینده و توسعه مدل ProtGPS
به‌گفته‌ی پژوهشگران، این مدل می‌تواند در توسعه درمان‌های هدفمند برای بیماری‌های ناشی از تغییراتی در مکان پروتئین‌ها مؤثر باشد. به‌عنوان مثال، اگر دارویی باید با هدف خاصی در یک محفظه‌ی سلولی خاص تعامل کند، می‌توان از این مدل برای طراحی داروهایی استفاده کرد که به مکان مورد نظر هدایت شوند. این روش تأثیر دارو را افزایش داده و عوارض جانبی را کاهش می‌دهد، زیرا دارو زمان بیشتری را صرف تعامل با هدف خود می‌کند و کمتر با سایر مولکول‌ها تعامل ناخواسته خواهد داشت.
علاوه بر پیش‌بینی و طراحی پروتئین‌ها بر اساس مکان‌یابی، محققان امیدوارند در آینده از این مدل برای طراحی پروتئین‌هایی با عملکردهای پیچیده‌تر نیز استفاده کنند.
«اکنون که می‌دانیم پروتئین‌ها دارای کدی برای مکان‌یابی خود هستند و مدل‌های یادگیری ماشین می‌توانند این کد را بفهمند و حتی پروتئین‌های جدیدی با کاربرد خاص طراحی کنند، درهای تحقیقات و کاربردهای فراوانی به روی دانشمندان باز شده است.» – هنری کیلگور