የፕሮቲን አወቃቀር እና አልፋፎልድ፡ በባዮሎጂ የሰው ሰራሽ የማሰብ ችሎታ ድል

ትርፍ፡

• የፕሮቲን አወቃቀር ደረጃዎችን እና አልፋፎልድ ምን ዓይነት መዋቅር እንደሚተነብይ ከቅደም ተከተላቸው መረዳት
• የ pLDDT እና PAE የመተማመን ውጤቶችን በትክክል የማንበብ እና ዝቅተኛ የመተማመን ቦታዎችን 'የተሳሳተ' ሳይሆን እንደ 'እርግጠኞች/ተለዋዋጭ' እንደሆኑ የመተርጎም ችሎታ
• በከፍተኛ ውጤት ውሳኔዎች ውስጥ የመዋቅር ትንበያን በሙከራ ማስረጃ (PDB, የእንቅስቃሴ ሙከራ) ማረጋገጥ አስፈላጊ መሆኑን ይረዱ.

ፕሮቲኖች የሕዋስ ሞለኪውሎች ናቸው፡ ኢንዛይሞች ምላሽን ያፋጥናሉ፣ ተጓጓዦች ሞለኪውሎችን ይንቀሳቀሳሉ፣ መዋቅራዊ ፕሮቲኖች ሴል እንዲቀጥል ያደርጋሉ። አንድ ፕሮቲን የሚሠራው በሶስት አቅጣጫዊ የታጠፈ ቅርጽ (መዋቅር) ይወሰናል. ለብዙ አሥርተ ዓመታት የፕሮቲን አወቃቀሩን በቅደም ተከተል መተንበይ በባዮሎጂ ውስጥ በጣም አስቸጋሪ ከሆኑ ችግሮች አንዱ ነው. እ.ኤ.አ. በ 2021 ፣ አልፋ ፎልድ የተባለ የ DeepMind አርቴፊሻል ኢንተለጀንስ ስርዓት በዚህ ችግር ውስጥ በመቶ ሚሊዮኖች የሚቆጠሩ ፕሮቲኖችን አወቃቀር ወደ የሙከራ ትክክለኛነት በመተንበይ ታሪካዊ እድገት አድርጓል። በዚህ ክፍል ውስጥ፣ AlphaFold እና መሰል መሳሪያዎችን ከባዮሎጂስቶች አንፃር እንዴት እንደሚጠቀሙ እና ውጤቱን ምን ያህል ማመን እንደሚችሉ እንነጋገራለን።

ይህ በባዮሎጂ ውስጥ አርቲፊሻል ኢንተለጀንስ በጣም ተጨባጭ ስኬት ነው; ነገር ግን የትንበያ መሳሪያ እንኳን የራሱ ገደቦች እና የማረጋገጫ አስፈላጊነት አለው.

የፕሮቲን መዋቅር ደረጃዎች

• ዋና መዋቅር: የአሚኖ አሲድ ቅደም ተከተል (የፊደሎች ቅደም ተከተል).
• ሁለተኛ ደረጃ መዋቅር: የአካባቢ እጥፋት; እንደ አልፋ ሄሊክስ እና ቤታ ሉህ።
• የሶስተኛ ደረጃ መዋቅር: የጠቅላላው ሰንሰለት 3D ቅርጽ.
• የኳተርን መዋቅር: የበርካታ ሰንሰለቶች ጥምረት.

አልፋፎልድ ከዋናው መዋቅር (ቅደም ተከተል) የሶስተኛ ደረጃ መዋቅር (3D ቅርጽ) ይተነብያል. ይህንን የሚያደርገው ከዝግመተ ለውጥ ጋር በተያያዙ ቅደም ተከተሎች አሰላለፍ (ኤምኤስኤ) በሚማራቸው ቅጦች ነው።

የ AlphaFold ውፅዓት በማንበብ ላይ

አልፋፎልድ መዋቅርን ብቻ አይሰጥም; እንዲሁም ለእያንዳንዱ ትንበያ በራስ የመተማመን ውጤቶችን ይሰጣል። እነዚህን መረዳት በጭፍን ላለማመን ቁልፉ ነው፡-

• pLDDT፡ ለእያንዳንዱ አሚኖ አሲድ ከ0-100 መካከል የአካባቢ መተማመን ውጤት። ከ 90 በላይ በጣም አስተማማኝ ነው, 70-90 አስተማማኝ ነው, 50-70 እርግጠኛ አይደለም, ከ 50 በታች በጣም ብዙ የተዘበራረቀ ክልል ነው.
• PAE (የተገመተ የተጣጣመ ስህተት)፡- በኢንተር-ጎራ አንጻራዊ ቦታ መተማመን; በትልልቅ ባለ ብዙ ጎራ ፕሮቲኖች ውስጥ እርስ በርስ አንጻራዊ የሆኑ የጎራዎች አቀማመጥ ምን ያህል አስተማማኝ እንደሆነ ያሳያል።

ጠቃሚ ምክር፡ በአልፋ ፎልድ ሞዴል ላይ ዝቅተኛ pLDT (ሰማያዊ፣ ብርቱካንማ/ቀይ) ያሉ ቦታዎችን ሲያዩ “የተሳሳተ ከማለት ይልቅ “ግልጽ ወይም ተለዋዋጭ” አድርገው ያንብቧቸው። እነዚህ ክልሎች ብዙውን ጊዜ በእውነት የተዘበራረቁ የፕሮቲን ቁርጥራጮች ናቸው እና ባዮሎጂያዊ ጠቀሜታ አላቸው።

ደረጃ በደረጃ፡ ፕሮቲን በአልፋፎልድ መመርመር

1. ቅደም ተከተሎችን ይፈልጉ፡ የፕሮቲንዎን ቅደም ተከተል ከ UniProt ያግኙ።
2. አወቃቀሩን ያግኙ፡ በአልፋፎልድ ዲቢ ውስጥ ይፈልጉ (ለአብዛኛዎቹ ፕሮቲኖች ዝግጁ) ወይም በColabFold ያሂዱ።
3. በራስ መተማመንን ይገምግሙ፡ pLDDT እና PAE ይመልከቱ; የትኞቹ ክልሎች አስተማማኝ ናቸው?
4. በዓይነ ሕሊናህ ተመልከት፡ በPyMOL ወይም py3Dmol በ3ዲ መርምር።
5. መተርጎም፡ እንደ ገባሪ ቦታ፣ ማሰሪያ ኪስ ያሉ ተግባራዊ ክልሎችን ይገምግሙ።
6. አረጋግጥ፡ ካለ የሙከራ መዋቅር (X-ray/cryo-EM in PDB) አወዳድር።

አርቴፊሻል ኢንተለጀንስ (LLM) ኮዱን በነዚህ ደረጃዎች ይጽፋል (በ py3Dmol እይታ፣ ውጤቶችን በማጠቃለል) እና ሀሳቦቹን ያብራራል። AlphaFold ራሱ የተለየ መዋቅር ትንበያ ሞዴል ነው; LLM ውጤቶቹን እንድትተረጉም ያግዝሃል።

ሊገለበጡ የሚችሉ የጥያቄ አብነቶች

ሚና፡ እርስዎ የመዋቅር ባዮሎጂ ረዳት ነዎት። ተግባር፡ የ AlphaFold pLDDT እና PAE ውጤቶችን ለተመራቂ ተማሪ ያብራሩ። እያንዳንዱ ነጥብ ምን እንደሚለካ፣ ምን ገደቦች አስተማማኝ እንደሆኑ እና ዝቅተኛ ነጥብ ያላቸው ክልሎች እንዴት መተርጎም እንዳለባቸው ያብራሩ።

በColabFold ውስጥ ከ UniProt የተቀበልኩትን የፕሮቲን ቅደም ተከተል እንዴት ማስኬድ እችላለሁ? ደረጃዎቹን እና ማወቅ ያለብኝን የመርጃ/የጊዜ ገደቦችን አብራራ። የቅደም ተከተል ርዝመት፡ [N] አሚኖ አሲዶች።

የፒዲቢ ፋይልን (predicted.pdb) በ3D በምስል የሚያሳይ የፓይዘን ኮድ ይፃፉ እና በ pLDDT ነጥብ በ py3Dmol ቀለም ይቀቡት። በአስተያየቶች በጁፒተር ውስጥ እንዲሰራ ያድርጉ።

የ AlphaFold ትንበያ እና የሙከራ መዋቅር ከፒዲቢ አለኝ። ሁለቱን የሚያመሳስለው ኮድ እና አስተያየት ይስጡ እና RMSD (አማካኝ ካሬ ልዩነት) ያሰላል። ከRMSD በታች ምን ያህል አንጋስትሮሞች ጥሩ እንደሆኑ ይግለጹ።

ደካማ ጥያቄ / ጠንካራ ጥያቄ

ደካማ: "የዚህን ፕሮቲን ቅርጽ ንገረኝ."

ጠንካራ: "የ UniProt P04637 (Human p53) ፕሮቲን የአልፋ ፎልድ ሞዴል መርምሬያለሁ. የዲኤንኤ ትስስር ከፍተኛ ነው pLDDT (> 90), N-terminus እና C-terminus ዝቅተኛ pLDDT (<50) ናቸው. ይህን ንድፍ እንዴት መተርጎም አለብኝ? ዝቅተኛ ነጥብ የማድረጊያ መጨረሻዎች የተዘበራረቁ የይገባኛል ጥያቄዎች ሳይሆኑ የሚቀሩበትን ሁኔታ ያብራሩ.

ልዩነት፡ ኃይለኛ መጠየቂያው እውነተኛው ፕሮቲን፣ እውነተኛ የውጤት ንድፍ እና የአስተያየት ጥያቄ አለው። ሞዴሉ ያቀረቡትን ውሂብ " ከማስታወስ" ይልቅ ይተረጉመዋል።

ሶስት ጥቃቅን ጉዳዮች

ጉዳይ 1 - የተዘበራረቀውን ክልል ለስህተት መሳሳት፡- አንድ ተማሪ “አልፋ ፎልድ የተሳሳተ ነው ብሎ ስለገመተው” በፕሮቲን መጨረሻ ላይ ዝቅተኛውን የ pLDDT ክልል አስወገደ። ሆኖም፣ ያ ክልል በሙከራ መደበኛ ያልሆነ ገቢር የተደረገበት አካባቢም ነበር። ዝቅተኛ pLDDT ብዙውን ጊዜ እውነተኛ የመለጠጥ ችሎታን እንደሚያንጸባርቅ ሞዴሉ ሲገልጽ ተማሪው ክልሉን በትክክል ተርጉሟል።

ጉዳይ 2 — ሚውቴሽን ተጽእኖ ማጋነን፡ አንድ ተመራማሪ አንድ የአሚኖ አሲድ ለውጥ በአልፋ ፎልድ ንድፍ ላይ ትልቅ ለውጥ አምጥቷል ብለዋል። ሆኖም፣ AlphaFold የነጠላ ነጥብ ሚውቴሽን መረጋጋትን በአስተማማኝ ሁኔታ አይተነብይም። ልዩነቶች ሞዴል ጫጫታ ሊሆኑ ይችላሉ. ሞዴሉ ይህንን ገደብ በማስታወስ ወደ ልዩ መሳሪያዎች (ለምሳሌ የመረጋጋት ትንበያ መሳሪያዎች) መርቷል.

ጉዳይ 3 - በማረጋገጥ ማግኘት፡- አንድ ቡድን የአልፋ ፎልድን ትንበያ በፒዲቢ ውስጥ ካለው የሙከራ መዋቅር ጋር አስተካክሏል። RMSD 1.2 angstroms (በጣም ጥሩ የሚመጥን) ሆኖ ተገኝቷል። ይህም በትንበያው ላይ እንዲተማመኑ እና አስገዳጅ ኪስ እንዲገምቱ አስችሏቸዋል, እና ሙከራውን በዚሁ መሰረት ቀርፀዋል. ማረጋገጫ የተረጋገጠ እምነት።

የንጽጽር ሰንጠረዥ

ነጥብ/ፅንሰ-ሀሳብ

ምን ይለካል

አስተማማኝ ገደብ

pLDDT

የአካባቢ ግንባታ እምነት (0-100)

> 90 በጣም ጥሩ፣ <50 መደበኛ ያልሆነ

ፒኤኢ

የጎራ ተሻጋሪ አካባቢ እምነት

ዝቅተኛ (ጨለማ) ጥሩ

አርኤምኤስዲ

ከሙከራ ጋር ስምምነት (አንግስትሮም)

<2 Å በአጠቃላይ ጥሩ ነው።

የተለመዱ ስህተቶች

• ዝቅተኛ pLDDT እንደ "ስህተት" በመቁጠር፡ በአጠቃላይ የተዘበራረቀ/ተለዋዋጭ ክልል ነው፣ አይሰርዘውም።
• ነጠላ ሚውቴሽን ተጽእኖን በአልፋፎልድ ማረጋገጥ፡ ለሥራው ትክክለኛው መሣሪያ አይደለም።
• የመተማመን ነጥቦችን ችላ ማለት: አጠቃላይ ሞዴሉ ተመሳሳይ አስተማማኝ ነው ብሎ ማሰብ.
• የሙከራ አወቃቀሩን መዝለል፡ በፒዲቢ ውስጥ እውነተኛው መዋቅር ካለ እሱን ማወዳደርዎን ያረጋግጡ።
• ውስብስብ / ብዙ ሰንሰለቶችን እንደ ነጠላ ሰንሰለት መተርጎም: መስተጋብሮች ልዩ ሁነታዎች (አልፋፎልድ-ሙልቲመር) ያስፈልጋቸዋል.

ማስጠንቀቂያ፡- አልፋ ፎልድ አስደናቂ መሳሪያ ነው፣ ግን ግምት እንጂ ተጨባጭ እውነታ አይደለም። በተለይም ከፍተኛ ውጤት የሚያስገኙ ውሳኔዎች እንደ አዲስ የመድኃኒት ዒላማ፣ አስገዳጅ ቦታ ወይም ሚውቴሽን ተጽእኖ ትንበያውን በሙከራ ማስረጃ (መዋቅር፣ የእንቅስቃሴ ሙከራ) ሳይደግፉ መወሰድ የለባቸውም።

ከመዋቅር ወደ ተግባር፡ ኪሱን ማየት በቂ ነው?

የፕሮቲን 3D መዋቅር ማግኘት አስደሳች ነው፣ነገር ግን መዋቅር ብቻውን ተግባር አይነግርዎትም። የኢንዛይም ገባሪ ጣቢያውን ማየት ይችላሉ ። ይሁን እንጂ አወቃቀሩ የትኛውን ሞለኪውል እንደሚያስር፣ በምን ያህል ፍጥነት እንደሚሠራ ወይም በሴል ውስጥ የት እንደሚገኝ አያመለክትም። አልፋ ፎልድ መነሻ ነጥብ ነው፡ መላምት ይፈጥራል ("ይህ ኪስ ኤቲፒን ሊያቆራኝ ይችላል")፣ ሙከራው ይፈትነዋል። AI እነዚህን መላምቶች ለመቅረጽ እና አወቃቀሩን የሚመረምር ኮድ እንዲጽፉ ያግዝዎታል፣ነገር ግን የተግባር ጥያቄ ተጨባጭ ማስረጃ ያስፈልገዋል።

ሌላው ኃይለኛ አጠቃቀም መዋቅራዊ ንጽጽር ነው: ምንም እንኳን የሁለት ፕሮቲኖች ቅደም ተከተሎች በጣም የተለያዩ ቢሆኑም, አወቃቀሮቻቸው ተመሳሳይ ሊሆኑ ይችላሉ; ይህ የሩቅ የዝግመተ ለውጥ ተዛማጅነት ወይም የጋራ ተግባር ፍንጭ ነው። እንደ Foldseek ያሉ መሳሪያዎች የመዋቅር መመሳሰልን በፍጥነት ይፈልጋሉ። ሞዴሉ የእነዚህን መሳሪያዎች ውጤት ለመተርጎም እና የንፅፅር ኮድን ለመፃፍ ይረዳዎታል.

የሁለት ፕሮቲኖችን የአልፋ ፎልድ መዋቅር ከBio.PDB ጋር አሰልፍ፣ RMSD አስላ እና የትኛዎቹ ክልሎች መደራረብ እና የትኞቹ እንደሚለያዩ ሪፖርት አድርግ። መዋቅራዊ ተመሳሳይነት ለተግባራዊ ግንኙነት ፍንጭ ነው፣ ግን ማስረጃ አይደለም።

ውስብስብ, መስተጋብር እና ድንበሮች

ፕሮቲኖች ብቻቸውን አይሰሩም, ነገር ግን ብዙ ጊዜ ከአጋሮች (ሌሎች ፕሮቲኖች, ዲ ኤን ኤ, ትናንሽ ሞለኪውሎች) ጋር. AlphaFold-Multimer የፕሮቲን-ፕሮቲን ውህዶችን ሊተነብይ ይችላል; ግን ለግንኙነት ኃይል እና እውነታ ብቻ በቂ አይደለም. ሞዴሉ "ሁለት ፕሮቲኖች እንደሚገናኙ" ሲተነብይ ይህ የመጀመሪያ ደረጃ መላምት ነው; እንደ አብሮ-immunoprecipitation (co-IP) ባሉ ሙከራዎች መረጋገጥ አለበት። እነዚህ መሳሪያዎች የት ተገቢ እንደሆኑ ለመረዳት እና የውጤት መተማመንን ለመገምገም AIን ይጠቀሙ። የመተማመን ውጤቶች (በተለይ በይነገጽ PAE) ውስብስብ በሆኑ ትንበያዎች ውስጥ ከመቼውም ጊዜ ይበልጥ አስፈላጊ ናቸው።

አልፋ ፎልድ ብቸኛው አማራጭ አይደለም።

አልፋ ፎልድ አቅኚ ቢሆንም፣ ብቸኛው መሣሪያ አይደለም። ESMFold (ሜታ) የዝግመተ ለውጥ ማመጣጠን ሳያስፈልግ ከአንድ ተከታታይ ፈጣን ትንበያ ያከናውናል; ትላልቅ ተከታታይ ስብስቦችን ለመቃኘት ተስማሚ ነው, ነገር ግን በአጠቃላይ ከአልፋፎልድ ትንሽ ትክክለኛ ነው. RoseTTAFold ሌላ ኃይለኛ አማራጭ ነው. AlphaFold3 እና ተመሳሳይ አዳዲስ ስሪቶች ፕሮቲን-ሊጋንድ እና ፕሮቲን-ኑክሊክ አሲድ ውህዶችን ያካትታሉ። ለግንባታ ችግር (ፍጥነት ወይም ትክክለኛነት, ነጠላ ሰንሰለት ወይም ውስብስብ) የትኛውን መሳሪያ ተስማሚ የሆነውን AI ማማከር ይችላሉ. ነገር ግን እያንዳንዱን መሳሪያ የመተማመን መለኪያን በራሱ ሚዛን ማንበብዎን ያስታውሱ፡ በአንድ መሳሪያ ውስጥ "ጥሩ" ተብሎ የሚታሰበው ነጥብ በሌላኛው በተለየ መንገድ ይተረጎማል።

በማጠቃለያው

አልፋ ፎልድ የፕሮቲን አወቃቀሩን በቅደም ተከተል በመተንበይ ባዮሎጂን አሻሽሏል። ነገር ግን፣ ውጤቱ ከመተማመን ውጤቶች (pLDDT፣ PAE) ጋር አብሮ መነበብ አለበት። ዝቅተኛ የመተማመን ዞኖች "ትክክል አይደሉም" ከማለት ይልቅ "እርግጠኛ ያልሆኑ/ተለዋዋጭ" ተብለው መተርጎም አለባቸው። አርቴፊሻል ኢንተለጀንስ (LLM) እነዚህን ውጤቶች እንዲያብራሩ፣ ምስላዊ ኮድ እንዲጽፉ እና ከሙከራ መዋቅር ጋር እንዲያወዳድሩ ያግዝዎታል። ከፍተኛ ውጤት ላላቸው ውሳኔዎች ትንበያ በተጨባጭ ማስረጃዎች መደገፍ አለበት።

የመተግበሪያ ተግባር

ፕሮቲን ይምረጡ (ለምሳሌ እርስዎ የሚስቡትን ኢንዛይም) ይምረጡ። አደራደሩን ከ UniProt እና አወቃቀሩን ከአልፋፎልድ ዲቢ ያግኙ። አወቃቀሩን በpLDDT መሰረት ቀለም በሚሰጥ በpy3Dmol ኮድ እንዲጽፍ እና እንዲያሄድ ያድርጉ። ከፍተኛ እና ዝቅተኛ አስተማማኝ ዞኖችን ይለዩ. ሞዴሉ ዝቅተኛ እምነት ያላቸው ክልሎች ሊኖሩ የሚችሉትን ባዮሎጂያዊ ጠቀሜታ እንዲተረጉም ያድርጉ እና በፒዲቢ ውስጥ የሙከራ አወቃቀሮችን ያረጋግጡ።

የማረጋገጫ ዝርዝር

• [ ] አወቃቀሩን ከ pLDDT/PAE ውጤቶች ጋር ገምግሜአለሁ።
• [ ] ዝቅተኛ የመተማመን ዞኖችን እንደ "እርግጠኞች/ተለዋዋጭ" እንጂ "ስህተት" በማለት ተርጉሜአለሁ።
• [ ] ለነጠላ ሚውቴሽን ተጽእኖ በአልፋ ፎልድ ላይ ብዙ እምነት አልነበረኝም።
• [] ካለ ከሙከራው መዋቅር (PDB) ጋር አነጻጽሬዋለሁ።
• [] ለፖሊቼይን/ውስብስብ ትክክለኛው መሣሪያ አሰብኩ።
• [ ] ከፍተኛ ውጤት ያስከተለውን ውሳኔ በተጨባጭ ማስረጃ ደገፍኩ።