Proteiinit eivät ole patsaita
Proteiinit taipuvat, värähtelevät ja vaihtavat muotoaan lakkaamatta. Juuri tämä liike ratkaisee, miten entsyymi kiihdyttää reaktiota tai miten lääkemolekyyli tarttuu kohteeseensa. Silti valtaosa laskennallisista työkaluista, AlphaFold etunenässä, antaa vain proteiinin pysäytyskuvan: muodon, ei liikettä.
Oxfordin tutkimusryhmä pureutuu nyt juuri liikkeeseen. Charlotte Deanen ryhmän esittelemä DynaMode-malli mallintaa proteiinien dynamiikkaa taajuustasolla ja erottaa toisistaan hitaat rakennemuutokset ja nopeat värähtelyt.
Miksi taajuustaso?
Ajatus lainaa signaalinkäsittelystä. Kun äänisignaali puretaan Fourier-muunnoksella taajuuksiksi, matala jyrinä ja korkea vingunta erottuvat omille kaistoilleen. DynaMode tekee saman proteiinin liikeradalle: se ei seuraa atomien sijainteja hetki hetkeltä, vaan muuntaa liikkeen taajuuksiksi.
Näin laajat, hitaat konformaatiomuutokset – kokonaisten proteiiniosien kääntyminen – päätyvät matalille taajuuksille, kun taas yksittäisten atomien nopea lämpövärähtely jää korkeille taajuuksille. Erottelu on hyödyllinen, sillä juuri hitaat liikkeet ovat biologisesti kiinnostavimpia.
Diffuusiomalli lyhyesti
Diffuusiomallit ovat samaa tekoälyperhettä kuin kuvia luovat generaattorit. Ne oppivat tuottamaan uskottavia näytteitä lisäämällä dataan kohinaa ja opettelemalla poistamaan sen. DynaMode tekee tämän taajuusavaruudessa: ei kuvapisteille, vaan proteiinin liikkeen taajuuksille.
Lämpötila mukaan laskentaan
DynaModen erikoisuus on, että se ottaa syötteenä sekä proteiinin rakenteen että lämpötilan. Matalat taajuudet koodaavat suoraan sen, kuinka joustava kukin aminohappo on. Koska lämpö lisää liikettä, malli osaa ennustaa, miten joustavuus muuttuu lämpötilan noustessa.
Tähän asti tarkin tapa selvittää proteiinin liike on ollut molekyylidynamiikkasimulaatio, jossa jokaisen atomin liikettä lasketaan pienin aika-askelin. Se on tarkka mutta raskas: yksi ajo voi vaatia päiviä laskenta-aikaa tehokkaillakin näytönohjaimilla. DynaMode tuottaa arvionsa murto-osassa ajasta.
Malli opetettiin mdCATH-aineistolla, joka kokoaa yhteen suuren määrän valmiita simulaatioita. Pidätetyllä testidatalla mallin ennustama liikkuvuus korreloi todellisen kanssa Pearsonin kertoimella 0,84 – ei täydellinen, mutta lupaava lähtökohta työkalulle, joka ohittaa itse simulaation.
