O hartă unificată a universului proteinelor
O echipă internațională de cercetători a dezvoltat un model lingvistic al proteinelor care combină două surse fundamentale de informație: secvențele de aminoacizi și structurile tridimensionale. Modelul, numit Contrastive Learning Sequence-Structure (CLSS), oferă o modalitate nouă de a cartografia relațiile dintre proteine și de a investiga evoluția lor pe parcursul a miliarde de ani.
Cercetarea a fost condusă de profesorul Rachel Kolodny și doctorandul Guy Yanai de la Universitatea din Haifa, profesorul Nir Ben-Tal și studentul Gabriel Axel de la Universitatea Tel Aviv și profesorul asociat Liam M. Longo de la Earth-Life Science Institute (ELSI) din cadrul Institute of Science Tokyo. Rezultatele au fost publicate în Proceedings of the National Academy of Sciences.
Provocarea separării dintre secvență și structură
Mii de familii de proteine îndeplinesc aproape toate funcțiile vitale din celule. O întrebare fundamentală în biochimia evoluționistă este modul în care aceste proteine sunt înrudite și care este originea lor.
Modelele lingvistice actuale pentru proteine tratează separat secvența și structura, astfel încât hărțile celor două nu se suprapun. Proteinele cu secvențe diferite pot adopta structuri similare, iar secvențe identice pot produce structuri diferite, ceea ce complică analiza.
Modelul CLSS folosește învățarea contrastivă pentru a genera reprezentări numerice similare pentru secvența și structura aceleiași proteine, plasându-le în aceeași zonă a hărții. Astfel, indiferent dacă este analizată secvența sau structura, poziția proteinei pe hartă rămâne apropiată.
Performanțe și fragmente evolutive
Comparativ cu alte modele de ultimă generație, CLSS a reprodus fidel relațiile din sistemele expert de clasificare ECOD și CATH, deși aceste informații nu au fost furnizate în timpul antrenării. Modelul a obținut rezultate solide și la testele de clasificare.
CLSS a demonstrat că fragmente scurte de secvență pot fi poziționate semnificativ alături de secvențe și structuri complete. Fragmentele sunt importante pentru înțelegerea evoluției, deoarece bucăți mici de proteine au fost reutilizate și rearanjate de-a lungul istoriei evolutive, oferind indicii despre relații ancestrale.
Hărțile CLSS au scos la iveală și modele mai largi: proteinele asociate cu cofactori organici s-au concentrat în anumite regiuni, în timp ce proteinele care leagă metale au fost distribuite mai larg. Aceste tipare arată că hărțile globale pot fi folosite nu doar pentru clasificare, ci și pentru explorarea relațiilor dintre secvență, structură, funcție și istorie evolutivă.
Cercetătorii anticipează că reprezentările unificate vor deschide noi posibilități pentru căutarea în baze de date, ingineria proteinelor și reconstruirea traiectoriilor evolutive, oferind o perspectivă asupra modului în care diversitatea proteinelor actuale a apărut în aproape patru miliarde de ani de evoluție.
