புரத அமைப்பு மற்றும் ஆல்பாஃபோல்ட்: உயிரியலில் செயற்கை நுண்ணறிவின் வெற்றி

ஆதாயங்கள்:

• புரோட்டீன் கட்டமைப்பு நிலைகளைப் புரிந்துகொள்வது மற்றும் ஆல்பாஃபோல்ட் எந்தக் கட்டமைப்பை வரிசையிலிருந்து முன்னறிவிக்கிறது
• pLDDT மற்றும் PAE நம்பிக்கை மதிப்பெண்களை சரியாகப் படிக்கும் திறன் மற்றும் குறைந்த நம்பிக்கைப் பகுதிகளை 'தவறானது' என்பதற்குப் பதிலாக 'நிச்சயமற்ற/நெகிழ்வானது' என்று விளக்குகிறது.
• உயர் விளைவு முடிவுகளில் சோதனைச் சான்றுகளுடன் (PDB, செயல்பாட்டுச் சோதனை) கட்டமைப்பு முன்கணிப்பைச் சரிபார்க்க வேண்டியதன் அவசியத்தைப் புரிந்து கொள்ளுங்கள்.

புரதங்கள் செல்லின் வேலை செய்யும் மூலக்கூறுகள்: நொதிகள் எதிர்வினைகளை விரைவுபடுத்துகின்றன, டிரான்ஸ்போர்ட்டர்கள் மூலக்கூறுகளை நகர்த்துகின்றன, கட்டமைப்பு புரதங்கள் செல்லை தொடர்ந்து வைத்திருக்கின்றன. ஒரு புரதம் என்ன செய்கிறது என்பது அதன் முப்பரிமாண மடிந்த வடிவத்தால் (கட்டமைப்பு) தீர்மானிக்கப்படுகிறது. பல தசாப்தங்களாக, ஒரு புரதத்தின் கட்டமைப்பை அதன் வரிசையில் இருந்து கணிப்பது உயிரியலில் மிகவும் கடினமான பிரச்சனைகளில் ஒன்றாகும். 2021 ஆம் ஆண்டில், AlphaFold எனப்படும் DeepMind இன் செயற்கை நுண்ணறிவு அமைப்பு, இந்தப் பிரச்சனையில் ஒரு வரலாற்று பாய்ச்சலை உருவாக்கியது, நூற்றுக்கணக்கான மில்லியன் புரதங்களின் கட்டமைப்பை சோதனை துல்லியத்திற்கு அருகில் கணித்துள்ளது. இந்த யூனிட்டில், உயிரியலாளரின் பார்வையில் ஆல்பாஃபோல்ட் மற்றும் ஒத்த கருவிகளை எவ்வாறு பயன்படுத்துவது மற்றும் அதன் வெளியீட்டை நீங்கள் எவ்வளவு நம்பலாம் என்பதைப் பற்றி விவாதிப்போம்.

உயிரியலில் செயற்கை நுண்ணறிவின் மிக உறுதியான சாதனை இதுவாகும்; ஆனால் ஒரு முன்கணிப்பு கருவிக்கு கூட அதன் வரம்புகள் மற்றும் சரிபார்ப்பு தேவை உள்ளது.

புரத கட்டமைப்பின் நிலைகள்

• முதன்மை அமைப்பு: அமினோ அமில வரிசை (எழுத்துகளின் வரிசை).
• இரண்டாம் நிலை அமைப்பு: உள்ளூர் மடிப்புகள்; ஆல்பா ஹெலிக்ஸ் மற்றும் பீட்டா ஷீட் போன்றவை.
• மூன்றாம் நிலை அமைப்பு: முழு சங்கிலியின் 3D வடிவம்.
• குவாட்டர்னரி அமைப்பு: பல சங்கிலிகளின் சேர்க்கை.

AlphaFold முதன்மை கட்டமைப்பிலிருந்து (வரிசை) மூன்றாம் நிலை கட்டமைப்பை (3D வடிவம்) கணிக்கின்றது. இது பரிணாம ரீதியாக தொடர்புடைய வரிசைகளின் சீரமைப்பு (MSA) இலிருந்து கற்றுக் கொள்ளும் வடிவங்கள் மூலம் இதைச் செய்கிறது.

AlphaFold வெளியீட்டைப் படித்தல்

AlphaFold ஒரு கட்டமைப்பை மட்டும் கொடுக்கவில்லை; இது ஒவ்வொரு கணிப்புக்கும் நம்பிக்கை மதிப்பெண்களையும் வழங்குகிறது. கண்மூடித்தனமாக நம்பாமல் இருப்பதற்கு இவற்றைப் புரிந்துகொள்வது முக்கியம்:

• pLDDT: ஒவ்வொரு அமினோ அமிலத்திற்கும் 0-100 இடையே உள்ள உள்ளூர் நம்பிக்கை மதிப்பெண். 90 க்கு மேல் மிகவும் நம்பகமானது, 70-90 நம்பகமானது, 50-70 நிச்சயமற்றது, 50 க்குக் கீழே பெரும்பாலும் ஒழுங்கற்ற பகுதி.
• PAE (கணிக்கப்பட்ட சீரமைக்கப்பட்ட பிழை): இண்டர்-டொமைன் உறவினர் நிலை நம்பிக்கை; பெரிய மல்டிடோமைன் புரோட்டீன்களில் ஒன்றுக்கொன்று தொடர்புடைய டொமைன்களின் இடம் எவ்வளவு நம்பகமானது என்பதை இது காட்டுகிறது.

உதவிக்குறிப்பு: ஆல்பாஃபோல்டு மாதிரியில் குறைந்த pLDDT (நீலம் அல்லாத, ஆரஞ்சு/சிவப்பு) உள்ள பகுதிகளைப் பார்த்தால், அவற்றை "தவறானவை" என்பதற்குப் பதிலாக "தெளிவற்ற அல்லது நெகிழ்வான" என்று படிக்கவும். இந்த பகுதிகள் பெரும்பாலும் உண்மையிலேயே ஒழுங்கற்ற புரதத் துண்டுகள் மற்றும் உயிரியல் முக்கியத்துவம் வாய்ந்தவை.

படிப்படியாக: ஆல்பாஃபோல்டுடன் புரதத்தை ஆய்வு செய்தல்

1. வரிசையைக் கண்டறியவும்: UniProt இலிருந்து உங்கள் புரதத்தின் வரிசையைப் பெறுங்கள்.
2. கட்டமைப்பைப் பெறவும்: AlphaFold DB இல் தேடவும் (பெரும்பாலான புரதங்களுக்குத் தயார்) அல்லது ColabFold மூலம் இயக்கவும்.
3. நம்பிக்கையை மதிப்பிடு: pLDDT மற்றும் PAE ஐப் பாருங்கள்; எந்த பகுதிகள் நம்பகமானவை?
4. காட்சிப்படுத்தவும்: PyMOL அல்லது py3Dmol மூலம் 3D இல் ஆய்வு செய்யவும்.
5. விளக்கம்: செயலில் உள்ள தளம், பைண்டிங் பாக்கெட் போன்ற செயல்பாட்டு பகுதிகளை மதிப்பிடவும்.
6. சரிபார்க்கவும்: சோதனைக் கட்டமைப்பை (PDB இல் X-ray/cryo-EM) இருந்தால் ஒப்பிடுக.

செயற்கை நுண்ணறிவு (LLM) இந்த படிகளில் குறியீட்டை எழுதுகிறது (py3Dmol உடன் காட்சிப்படுத்தல், மதிப்பெண்களை சுருக்கி) மற்றும் கருத்துகளை விளக்குகிறது. ஆல்ஃபாஃபோல்ட் என்பது ஒரு தனித்துவமான கட்டமைப்பு முன்கணிப்பு மாதிரி; LLM அதன் முடிவுகளை விளக்க உதவுகிறது.

நகலெடுக்கக்கூடிய உடனடி வார்ப்புருக்கள்

பங்கு: நீங்கள் ஒரு கட்டமைப்பு உயிரியல் உதவியாளர். பணி: AlphaFold pLDDT மற்றும் PAE மதிப்பெண்களை பட்டதாரி மாணவருக்கு விளக்கவும். ஒவ்வொரு மதிப்பெண்ணையும் என்ன அளவிடுகிறது, எந்த வரம்புகள் நம்பகமானதாகக் கருதப்படுகின்றன, மற்றும் குறைந்த மதிப்பெண் பெற்ற பகுதிகள் எவ்வாறு விளக்கப்பட வேண்டும் என்பதை விளக்குங்கள்.

ColabFold இல் UniProt இலிருந்து பெற்ற புரத வரிசையை எவ்வாறு இயக்குவது? நான் அறிந்திருக்க வேண்டிய படிகள் மற்றும் ஆதாரம்/நேர வரம்புகளை விளக்குங்கள். வரிசை நீளம்: [N] அமினோ அமிலங்கள்.

PDB கோப்பை (predicted.pdb) 3Dயில் காட்சிப்படுத்தும் மற்றும் py3Dmol உடன் pLDDT மதிப்பெண்ணுக்கு ஏற்ப வண்ணமயமாக்கும் பைதான் குறியீட்டை எழுதவும். கருத்துகளுடன் ஜூபிட்டரில் இயங்கட்டும்.

நான் ஆல்பாஃபோல்ட் முன்னறிவிப்பு மற்றும் PDB இன் சோதனை அமைப்பு ஆகியவற்றைக் கொண்டுள்ளேன். இரண்டையும் சீரமைத்து RMSD (சதுர விலகல்) கணக்கிடும் குறியீட்டையும் கருத்தையும் கொடுங்கள். RMSDக்குக் கீழே எத்தனை ஆங்ஸ்ட்ரோம்கள் நல்லதாகக் கருதப்படுகிறது என்பதை விளக்குங்கள்.

பலவீனமான வரியில் / வலுவான வரியில்

பலவீனம்: "இந்த புரதத்தின் வடிவத்தைச் சொல்லுங்கள்."

வலிமையானது: "UniProt P04637 (human p53) புரதத்தின் AlphaFold மாதிரியை நான் ஆய்வு செய்தேன். DNA பிணைப்பு டொமைன் உயர் pLDDT (>90), N-டெர்மினஸ் மற்றும் C-டெர்மினஸ் குறைந்த pLDDT (<50) ஆகும். இந்த வடிவத்தை நான் எப்படி விளக்குவது? இந்த மண்டலத்தின் குறைபாடு மற்றும் செயல்பாடு குறைவதற்கான சாத்தியக்கூறுகளை விளக்குங்கள். ஒரு உறுதியான கட்டமைப்பு உரிமைகோரலை உருவாக்குதல்."

வேறுபாடு: சக்திவாய்ந்த வரியில் உண்மையான புரதம், உண்மையான மதிப்பெண் முறை மற்றும் கருத்துக் கோரிக்கை உள்ளது. நீங்கள் வழங்கும் தரவை "நினைவில் வைத்திருப்பதை" விட மாதிரி விளக்குகிறது.

மூன்று சிறிய வழக்குகள்

வழக்கு 1 - ஒழுங்கற்ற பகுதியை பிழையாக தவறாகப் புரிந்துகொள்வது: ஒரு மாணவர் தனது புரதத்தின் முடிவில் குறைந்த pLDDT பகுதியை அகற்றினார், ஏனெனில் "ஆல்ஃபாஃபோல்ட் அதை தவறாக யூகித்தார்." இருப்பினும், அந்த பகுதி சோதனை ரீதியாக ஒழுங்கற்ற செயல்பாட்டின் ஒரு பகுதியாகும். குறைந்த pLDDT பெரும்பாலும் உண்மையான நெகிழ்ச்சித்தன்மையை பிரதிபலிக்கிறது என்று மாதிரி விளக்கியபோது மாணவர் அந்த பகுதியை சரியாக விளக்கினார்.

வழக்கு 2 — பிறழ்வு விளைவு மிகைப்படுத்தல்: ஒற்றை அமினோ அமில மாற்றம் ஆல்பாஃபோல்ட் வடிவத்தில் "பெரிய வித்தியாசத்தை" ஏற்படுத்தியதாக ஒரு ஆராய்ச்சியாளர் கூறினார். இருப்பினும், ஒற்றை புள்ளி பிறழ்வுகளின் நிலைத்தன்மை விளைவை ஆல்பாஃபோல்ட் நம்பத்தகுந்த முறையில் கணிக்கவில்லை; வேறுபாடுகள் மாதிரி சத்தமாக இருக்கலாம். மாடல் இந்த வரம்பை நினைவுபடுத்தி குறிப்பிட்ட கருவிகளுக்கு வழிவகுத்தது (எ.கா. நிலைப்புத்தன்மை கணிப்பு கருவிகள்).

வழக்கு 3 — சரிபார்ப்பு மூலம் ஆதாயம்: ஒரு குழு ஆல்பாஃபோல்ட் கணிப்புகளை PDB இல் உள்ள சோதனைக் கட்டமைப்புடன் சீரமைத்தது; RMSD ஆனது 1.2 angstroms ஆக மாறியது (மிகவும் நல்ல பொருத்தம்). இது அவர்கள் கணிப்பை நம்பி ஒரு பைண்டிங் பாக்கெட்டை அனுமானிக்க அனுமதித்தது மற்றும் அதற்கேற்ப சோதனையை வடிவமைத்தது. சரிபார்ப்பு நியாயமான நம்பிக்கை.

ஒப்பீட்டு விளக்கப்படம்

மதிப்பெண்/கருத்து

என்ன நடவடிக்கைகள்

நம்பகமான வரம்பு

பிஎல்டிடிடி

உள்ளூர் கட்டிட அறக்கட்டளை (0-100)

>90 மிகவும் நல்லது, <50 ஒழுங்கற்றது

PAE

கிராஸ்-டொமைன் இருப்பிட நம்பிக்கை

குறைந்த (இருண்ட) நல்லது

ஆர்எம்எஸ்டி

பரிசோதனையுடன் ஒப்பந்தம் (angström)

<2 Å பொதுவாக நல்லது

பொதுவான தவறுகள்

• குறைந்த pLDDTயை "தவறு" என்று கருதுவது: இது பொதுவாக ஒரு ஒழுங்கற்ற/நெகிழ்வான பகுதி, அதை நீக்க வேண்டாம்.
• AlphaFold மூலம் ஒற்றை பிறழ்வு விளைவை உறுதி செய்தல்: வேலைக்கான சரியான கருவி அல்ல.
• நம்பிக்கை மதிப்பெண்களைப் புறக்கணித்தல்: முழு மாதிரியும் சமமாக நம்பகமானது என்று கருதுவது.
• சோதனைக் கட்டமைப்பைத் தவிர்க்கவும்: PDB இல் உண்மையான அமைப்பு இருந்தால், அதை ஒப்பிட்டுப் பார்க்கவும்.
• சிக்கலான/பல சங்கிலிகளை ஒற்றைச் சங்கிலியாக விளக்குதல்: தொடர்புகளுக்கு சிறப்பு முறைகள் தேவை (ஆல்ஃபாஃபோல்ட்-மல்டிமர்).

எச்சரிக்கை: AlphaFold ஒரு குறிப்பிடத்தக்க கருவி, ஆனால் இது ஒரு யூகம், அனுபவ உண்மை அல்ல. குறிப்பாக புதிய மருந்து இலக்கு, பிணைப்பு தளம் அல்லது பிறழ்வு விளைவு போன்ற உயர்-விளைவு முடிவுகளை, சோதனை ஆதாரங்களுடன் (கட்டமைப்பு, செயல்பாட்டு சோதனை) கணிப்பை ஆதரிக்காமல் எடுக்கக்கூடாது.

கட்டமைப்பிலிருந்து செயல்பாடு வரை: பாக்கெட்டைப் பார்ப்பது போதுமா?

ஒரு புரதத்தின் 3D கட்டமைப்பைப் பெறுவது உற்சாகமானது, ஆனால் கட்டமைப்பு மட்டும் உங்களுக்குச் செயல்பாட்டைச் சொல்லாது. ஒரு நொதியின் செயலில் உள்ள தளத்தை (அடி மூலக்கூறு பிணைக்கும் பாக்கெட்) நீங்கள் பார்க்கலாம்; இருப்பினும், கட்டமைப்பு எந்த மூலக்கூறை பிணைக்கிறது, எவ்வளவு வேகமாக வேலை செய்கிறது அல்லது கலத்தில் எங்கு அமைந்துள்ளது என்பதைக் குறிப்பிடவில்லை. ஆல்பாஃபோல்ட் என்பது ஒரு தொடக்கப் புள்ளி: இது ஒரு கருதுகோளை உருவாக்குகிறது ("இந்த பாக்கெட் ஒரு ATP ஐ பிணைத்து இருக்கலாம்"), சோதனை அதைச் சோதிக்கிறது. இந்த கருதுகோள்களை உருவாக்க மற்றும் கட்டமைப்பை பகுப்பாய்வு செய்யும் குறியீட்டை எழுத AI உங்களுக்கு உதவுகிறது, ஆனால் ஒரு செயல்பாட்டுக் கோரிக்கைக்கு அனுபவ ஆதாரம் தேவைப்படுகிறது.

மற்றொரு சக்திவாய்ந்த பயன்பாடானது கட்டமைப்பு ஒப்பீடு ஆகும்: இரண்டு புரதங்களின் வரிசைகள் மிகவும் வேறுபட்டிருந்தாலும், அவற்றின் கட்டமைப்புகள் ஒரே மாதிரியாக இருக்கலாம்; இது தொலைதூர பரிணாம தொடர்பு அல்லது பகிரப்பட்ட செயல்பாட்டிற்கான ஒரு துப்பு. Foldseek போன்ற கருவிகள் அமைப்பு ஒற்றுமையை விரைவாக தேடுகின்றன. இந்த கருவிகளின் வெளியீட்டை விளக்கவும், ஒப்பீட்டுக் குறியீட்டை எழுதவும் மாதிரி உங்களுக்கு உதவுகிறது.

Bio.PDB உடன் இரண்டு புரதங்களின் AlphaFold கட்டமைப்பை சீரமைத்து, RMSDஐக் கணக்கிட்டு, எந்தப் பகுதிகள் ஒன்றுடன் ஒன்று மற்றும் எந்தெந்த பகுதிகள் வேறுபடுகின்றன என்பதைப் புகாரளிக்கவும். கட்டமைப்பு ஒற்றுமை என்பது செயல்பாட்டுத் தொடர்புக்கு ஒரு துப்பு, ஆனால் ஆதாரம் அல்ல என்று கருத்து தெரிவிக்கவும்.

வளாகங்கள், தொடர்புகள் மற்றும் எல்லைகள்

புரதங்கள் தனியாக வேலை செய்யாது, ஆனால் பெரும்பாலும் கூட்டாளர்களுடன் (பிற புரதங்கள், டிஎன்ஏ, சிறிய மூலக்கூறுகள்). AlphaFold-Multimer புரதம்-புரத வளாகங்களை கணிக்க முடியும்; ஆனால் தொடர்புகளின் சக்தி மற்றும் உண்மைக்கு அது மட்டும் போதாது. "இரண்டு புரதங்கள் தொடர்பு கொள்கின்றன" என்று மாதிரி கணிக்கும்போது, ​​இது ஒரு பூர்வாங்க கருதுகோள்; கோ-இம்யூனோபிரெசிபிட்டேஷன் (கோ-ஐபி) போன்ற பரிசோதனைகள் மூலம் உறுதிப்படுத்தப்பட வேண்டும். இந்தக் கருவிகள் எங்கு பொருத்தமானவை என்பதைப் புரிந்துகொள்வதற்கும் வெளியீட்டு நம்பிக்கையை மதிப்பிடுவதற்கும் AI ஐப் பயன்படுத்தவும்; சிக்கலான கணிப்புகளில் நம்பிக்கை மதிப்பெண்கள் (குறிப்பாக இடைமுகம் PAE) முன்னெப்போதையும் விட முக்கியமானவை.

AlphaFold மட்டுமே விருப்பம் இல்லை

AlphaFold ஒரு முன்னோடியாக இருந்தாலும், அது மட்டும் கருவி அல்ல. ESMFold (Meta) பரிணாம சீரமைப்பு தேவையில்லாமல், ஒரு வரிசையிலிருந்து விரைவான கணிப்பைச் செய்கிறது; இது பெரிய அளவிலான தொடர்களை ஸ்கேன் செய்வதற்கு ஏற்றது, ஆனால் பொதுவாக AlphaFold ஐ விட சற்று குறைவான துல்லியமானது. RoseTTAFold மற்றொரு சக்திவாய்ந்த மாற்றாகும். AlphaFold3 மற்றும் இதேபோன்ற புதிய பதிப்புகளில் புரதம்-தசைநார் மற்றும் புரத-நியூக்ளிக் அமில வளாகங்களும் அடங்கும். கட்டுமானப் பிரச்சனைக்கு (வேகம் அல்லது துல்லியம், ஒற்றைச் சங்கிலி அல்லது சிக்கலானது) எந்தக் கருவி பொருத்தமானது என்பதை நீங்கள் AI-ஐ அணுகலாம்; ஆனால் ஒவ்வொரு கருவியின் நம்பிக்கை அளவீட்டையும் அதன் சொந்த அளவில் படிக்க நினைவில் கொள்ளுங்கள்: ஒரு கருவியில் "நல்ல" மதிப்பெண்ணாகக் கருதப்படுவது மற்றொன்றில் வித்தியாசமாக விளக்கப்படுகிறது.

சுருக்கமாக

ஆல்பாஃபோல்ட் அதன் வரிசையிலிருந்து புரத அமைப்பைக் கணிப்பதன் மூலம் உயிரியலில் புரட்சியை ஏற்படுத்தியது. இருப்பினும், அதன் வெளியீடு நம்பிக்கை மதிப்பெண்களுடன் (pLDDT, PAE) படிக்கப்பட வேண்டும்; குறைந்த நம்பிக்கை மண்டலங்கள் "தவறானவை" என்பதற்குப் பதிலாக "நிச்சயமற்ற/நெகிழ்வானவை" என்று விளக்கப்பட வேண்டும். செயற்கை நுண்ணறிவு (எல்.எல்.எம்) இந்த மதிப்பெண்களை விளக்கவும், காட்சிப்படுத்தல் குறியீட்டை எழுதவும், சோதனை அமைப்புடன் ஒப்பிடவும் உதவுகிறது. உயர் விளைவு முடிவுகளுக்கு, முன்கணிப்பு அனுபவ ஆதாரங்களால் ஆதரிக்கப்பட வேண்டும்.

விண்ணப்ப பணி

ஒரு புரதத்தைத் தேர்வுசெய்க (எ.கா. நீங்கள் ஆர்வமுள்ள ஒரு நொதி). UniProt இலிருந்து அதன் வரிசையையும் AlphaFold DB இலிருந்து அதன் கட்டமைப்பையும் கண்டறியவும். pLDDT இன் படி கட்டமைப்பை வண்ணமயமாக்கும் py3Dmol உடன் குறியீட்டை AI எழுதி இயக்கவும். உயர்ந்த மற்றும் குறைந்த பாதுகாப்பான பகுதிகளை அடையாளம் காணவும். குறைந்த நம்பிக்கையுள்ள பகுதிகளின் சாத்தியமான உயிரியல் முக்கியத்துவத்தை மாதிரி விளக்கவும் மற்றும் PDB இல் சோதனை கட்டமைப்புகளை சரிபார்க்கவும்.

சரிபார்ப்பு பட்டியல்

• [ ] pLDDT/PAE மதிப்பெண்களுடன் சேர்ந்து கட்டமைப்பை மதிப்பீடு செய்தேன்.
• [ ] நான் குறைந்த நம்பிக்கை மண்டலங்களை "நிச்சயமற்ற / நெகிழ்வான" என்று விளக்கினேன், "பிழை" அல்ல.
• ஒற்றை பிறழ்வு விளைவுக்கான ஆல்பாஃபோல்டில் எனக்கு அதிக நம்பிக்கை இல்லை.
• [ ] கிடைத்தால், அதை பரிசோதனை அமைப்புடன் (PDB) ஒப்பிட்டேன்.
• [ ] பாலிசெயின்/காம்ப்ளெக்ஸிற்கான சரியான கருவி பற்றி யோசித்தேன்.
• [ ] நான் அனுபவ ஆதாரங்களுடன் உயர் விளைவு முடிவை ஆதரித்தேன்.