Proteiinin aakkosista ymmärrettävä kuvaus
Proteiini on pohjimmiltaan pitkä ketju aminohappoja, eräänlainen kirjainjono. Ketjun järjestys ratkaisee, mitä proteiini kehossa tekee, mutta pelkän sekvenssin lukeminen ei paljasta tehtävää suoraan. Tähän asti tutkijat ovat päätelleet tuntemattoman proteiinin toiminnan vertaamalla sitä jo tunnettuihin, samankaltaisiin proteiineihin.
Ongelma on mittakaava. Laboratorioissa on kuvattu satojatuhansia proteiineja, mutta luonnossa niitä on miljardeja, ehkä biljoonia. Valtaosalle ei löydy läheistä sukulaista tietokannoista, joten niiden tehtävä jää arvoitukseksi.
Technionin Taub-tietojenkäsittelytieteen tiedekunnan ja Tel Avivin yliopiston biotieteiden laitoksen tutkijat rakensivat järjestelmän nimeltä BetaDescribe. Se ottaa syötteeksi proteiinisekvenssin ja tuottaa siitä luonnollisen kielen kuvauksen: mitä kemiallisia reaktioita proteiini katalysoi, mihin aineenvaihdunnan osiin se liittyy ja missä kohdin siihen voisi sitoutua lääkeaine. Väitöskirjatutkija Edo Dotan johti työtä professori Yonatan Belinkovin (Technion) ja professori Tal Pupkon (Tel Aviv) ohjauksessa.
Ei riipu sukulaisuudesta
Aiemmat työkalut nojaavat samankaltaisuuteen: jos tuntematon proteiini muistuttaa tunnettua, sille annetaan sama tehtävä. BetaDescribe toimii toisin. Se yhdistää generatiivisen mallin, joka tuottaa kuvausehdotuksen, sekä erilliset varmennus- ja arviointimekanismit, jotka tarkistavat ehdotuksen uskottavuuden ennen kuin se päätyy tutkijan eteen.
Tämän ansiosta menetelmä pystyy esittämään perustellun arvion silloinkin, kun proteiinilla ei ole lähisukulaisia tietokannoissa. Tutkimusryhmä osoitti toimivuuden kuvaamalla kuusi aiemmin tuntematonta proteiinia. Työ julkaistiin Yhdysvaltain tiedeakatemian lehdessä PNAS:ssa.
Mitä tämä merkitsee lääkekehitykselle
Tuntemattomat proteiinit ovat lääketeollisuudelle raakamateriaalia. Moni nykylääke on saanut alkunsa luonnosta löytyneestä molekyylistä. Esimerkiksi suosittujen diabetes- ja painonhallintalääkkeiden juuret ovat aavikkoliskon syljestä löydetyssä peptidissä. Jos miljardien tuntemattomien proteiinien tehtävät saadaan seulottua nopeasti, lupaavia lääkeaihioita voi löytyä joukosta, joka on tähän asti ollut käytännössä tutkijoiden ulottumattomissa.
Tavalliselle potilaalle vaikutus näkyisi vasta pitkän ketjun päässä. Kun tutkija saa koneelta perustellun hypoteesin tuntemattoman proteiinin tehtävästä, hän voi kohdistaa kalliit laboratoriokokeet lupaavimpiin kohteisiin sen sijaan, että etenisi umpimähkään. Se voi lyhentää aikaa ja alentaa kustannuksia, joita uuden lääkkeen tai vaikkapa kestävämmän maatalousentsyymin kehittäminen vaatii.
