ಹೊಸ ಕಂಪ್ಯೂಟೇಶನಲ್ ತಂತ್ರವು ಉಪಯುಕ್ತ ಪ್ರೊಟೀನ್‌ಗಳನ್ನು ಇಂಜಿನಿಯರಿಂಗ್ ಮಾಡಲು ಸುಲಭವಾಗುತ್ತದೆ | Duda News

ಈ ಲೇಖನವನ್ನು ವಿಜ್ಞಾನವು ಪರಿಶೀಲಿಸಿದೆ ಸಂಪಾದಕೀಯ ಪ್ರಕ್ರಿಯೆ
ಮತ್ತು ನೀತಿಗಳು,
ಸಂಪಾದಕ ವಿಷಯದ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಖಾತ್ರಿಪಡಿಸುವ ಕೆಳಗಿನ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೈಲೈಟ್ ಮಾಡಲಾಗಿದೆ:

ಸತ್ಯ ತಪಾಸಣೆ

ಪ್ರಿಪ್ರಿಂಟ್

ವಿಶ್ವಾಸಾರ್ಹ ಮೂಲ

ತಿದ್ದುಪಡಿ ಮಾಡಿ


ಅವಲೋಕನ. (ಎ) ಗದ್ದಲದ ಫಿಟ್‌ನೆಸ್ ಲ್ಯಾಂಡ್‌ಸ್ಕೇಪ್‌ನಿಂದಾಗಿ ಪ್ರೋಟೀನ್ ಆಪ್ಟಿಮೈಸೇಶನ್ ಸವಾಲಾಗಿದೆ, ಅಲ್ಲಿ ಆರಂಭಿಕ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ (ಅನ್‌ಬ್ಲರ್ಡ್) ಅತ್ಯಧಿಕ ಫಿಟ್‌ನೆಸ್ ಅನುಕ್ರಮಗಳೊಂದಿಗೆ ಭೂದೃಶ್ಯದ ಒಂದು ಭಾಗವನ್ನು ಮರೆಮಾಡಲಾಗಿದೆ (ಮಸುಕಾಗಿದೆ). (ಬಿ) ಆರಂಭಿಕ ಡೇಟಾದಿಂದ ಮೃದುವಾದ ಫಿಟ್‌ನೆಸ್ ಲ್ಯಾಂಡ್‌ಸ್ಕೇಪ್ ಅನ್ನು ಅಂದಾಜು ಮಾಡಲು ನಾವು ಗ್ರಾಫ್-ಆಧಾರಿತ ಸುಗಮಗೊಳಿಸುವಿಕೆಯನ್ನು (GS) ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತೇವೆ. (ಸಿ) ಉಳಿದ ಸನ್ನಿವೇಶಗಳನ್ನು ಊಹಿಸಲು ಒಂದು ಮಾದರಿಯನ್ನು ಸುಗಮವಾದ ಫಿಟ್ನೆಸ್ ಸನ್ನಿವೇಶದಲ್ಲಿ ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ. (ಡಿ) ಮಾದರಿಯ ಇಳಿಜಾರುಗಳನ್ನು ಗಿಬ್ಸ್‌ನಲ್ಲಿ ಗ್ರೇಡಿಯಂಟ್‌ಗಳೊಂದಿಗೆ (GWG) ಬಳಸಲಾಗುತ್ತದೆ, ಅಲ್ಲಿ ಪ್ರತಿ ಹಂತದಲ್ಲೂ ಹೊಸ ರೂಪಾಂತರವನ್ನು ಪ್ರಸ್ತಾಪಿಸಲಾಗುತ್ತದೆ. (ಇ) ಮಾದರಿಯ ಗುರಿಯು ಪ್ರತಿ ಪಥವನ್ನು ಕ್ರಮೇಣವಾಗಿ ಹೆಚ್ಚಿನ ಫಿಟ್‌ನೆಸ್ ಕಡೆಗೆ ಚಲಿಸುವುದು. ಕ್ರೆಡಿಟ್: arXiv (2023) DOI: 10.48550/arxiv.2307.00494

ಮುಚ್ಚಲು


ಅವಲೋಕನ. (ಎ) ಗದ್ದಲದ ಫಿಟ್‌ನೆಸ್ ಲ್ಯಾಂಡ್‌ಸ್ಕೇಪ್‌ನಿಂದಾಗಿ ಪ್ರೋಟೀನ್ ಆಪ್ಟಿಮೈಸೇಶನ್ ಸವಾಲಾಗಿದೆ, ಅಲ್ಲಿ ಆರಂಭಿಕ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ (ಅನ್‌ಬ್ಲರ್ಡ್) ಅತ್ಯಧಿಕ ಫಿಟ್‌ನೆಸ್ ಅನುಕ್ರಮಗಳೊಂದಿಗೆ ಭೂದೃಶ್ಯದ ಒಂದು ಭಾಗವನ್ನು ಮರೆಮಾಡಲಾಗಿದೆ (ಮಸುಕಾಗಿದೆ). (ಬಿ) ಆರಂಭಿಕ ಡೇಟಾದಿಂದ ಮೃದುವಾದ ಫಿಟ್‌ನೆಸ್ ಲ್ಯಾಂಡ್‌ಸ್ಕೇಪ್ ಅನ್ನು ಅಂದಾಜು ಮಾಡಲು ನಾವು ಗ್ರಾಫ್-ಆಧಾರಿತ ಸುಗಮಗೊಳಿಸುವಿಕೆಯನ್ನು (GS) ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತೇವೆ. (ಸಿ) ಉಳಿದ ಸನ್ನಿವೇಶಗಳನ್ನು ಊಹಿಸಲು ಒಂದು ಮಾದರಿಯನ್ನು ಸುಗಮವಾದ ಫಿಟ್ನೆಸ್ ಸನ್ನಿವೇಶದಲ್ಲಿ ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ. (ಡಿ) ಮಾದರಿಯ ಇಳಿಜಾರುಗಳನ್ನು ಗಿಬ್ಸ್‌ನಲ್ಲಿ ಗ್ರೇಡಿಯಂಟ್‌ಗಳೊಂದಿಗೆ (GWG) ಬಳಸಲಾಗುತ್ತದೆ, ಅಲ್ಲಿ ಪ್ರತಿ ಹಂತದಲ್ಲೂ ಹೊಸ ರೂಪಾಂತರವನ್ನು ಪ್ರಸ್ತಾಪಿಸಲಾಗುತ್ತದೆ. (ಇ) ಮಾದರಿಯ ಗುರಿಯು ಪ್ರತಿ ಪಥವನ್ನು ಕ್ರಮೇಣವಾಗಿ ಹೆಚ್ಚಿನ ಫಿಟ್‌ನೆಸ್ ಕಡೆಗೆ ಚಲಿಸುವುದು. ಕ್ರೆಡಿಟ್: arXiv (2023) DOI: 10.48550/arxiv.2307.00494

ಉಪಯುಕ್ತ ಕಾರ್ಯಗಳನ್ನು ಹೊಂದಿರುವ ಪ್ರೊಟೀನ್‌ಗಳನ್ನು ಇಂಜಿನಿಯರ್ ಮಾಡಲು, ಸಂಶೋಧಕರು ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರತಿದೀಪಕ ಬೆಳಕನ್ನು ಹೊರಸೂಸುವಂತಹ ಅಪೇಕ್ಷಣೀಯ ಕಾರ್ಯವನ್ನು ಹೊಂದಿರುವ ನೈಸರ್ಗಿಕ ಪ್ರೋಟೀನ್‌ನೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸುತ್ತಾರೆ ಮತ್ತು ಅಂತಿಮವಾಗಿ ಪ್ರೋಟೀನ್ ಅನ್ನು ರೂಪಿಸುವ ಹಲವಾರು ಸುತ್ತಿನ ಯಾದೃಚ್ಛಿಕ ರೂಪಾಂತರಗಳ ಮೂಲಕ ಹಾಕುತ್ತಾರೆ.ಒಂದು ಆಪ್ಟಿಮೈಸ್ಡ್ ಆವೃತ್ತಿಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.

ಈ ಪ್ರಕ್ರಿಯೆಯು ಹಸಿರು ಪ್ರತಿದೀಪಕ ಪ್ರೋಟೀನ್ (GFP) ಸೇರಿದಂತೆ ಹಲವಾರು ಪ್ರಮುಖ ಪ್ರೋಟೀನ್‌ಗಳ ಆಪ್ಟಿಮೈಸ್ಡ್ ಆವೃತ್ತಿಗಳನ್ನು ನೀಡಿದೆ. ಆದಾಗ್ಯೂ, ಇತರ ಪ್ರೋಟೀನ್‌ಗಳಿಗೆ, ಆಪ್ಟಿಮೈಸ್ಡ್ ಆವೃತ್ತಿಯನ್ನು ಉತ್ಪಾದಿಸುವುದು ಕಷ್ಟಕರವೆಂದು ಸಾಬೀತಾಗಿದೆ. MIT ಸಂಶೋಧಕರು ಈಗ ಕಂಪ್ಯೂಟೇಶನಲ್ ವಿಧಾನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ, ಇದು ತುಲನಾತ್ಮಕವಾಗಿ ಸಣ್ಣ ಪ್ರಮಾಣದ ಡೇಟಾದ ಆಧಾರದ ಮೇಲೆ ಸುಧಾರಿತ ಪ್ರೋಟೀನ್‌ಗೆ ಕಾರಣವಾಗುವ ರೂಪಾಂತರಗಳನ್ನು ಊಹಿಸಲು ಸುಲಭಗೊಳಿಸುತ್ತದೆ.

ಈ ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು, ಸಂಶೋಧಕರು ಜಿಎಫ್‌ಪಿಯ ಸುಧಾರಿತ ಆವೃತ್ತಿಗೆ ಮತ್ತು ಅಡೆನೊ-ಸಂಬಂಧಿತ ವೈರಸ್‌ನಿಂದ (ಎಎವಿ) ಪ್ರೊಟೀನ್‌ಗೆ ಕಾರಣವಾಗುವ ರೂಪಾಂತರಗಳೊಂದಿಗೆ ಪ್ರೋಟೀನ್‌ಗಳನ್ನು ಉತ್ಪಾದಿಸಿದರು, ಇದನ್ನು ಜೀನ್ ಚಿಕಿತ್ಸೆಗಾಗಿ ಡಿಎನ್‌ಎ ಬಂಧಿಸಲು ಬಳಸಬಹುದು. ವಿತರಿಸಲು ಮಾಡಲಾಗುತ್ತದೆ. ನರವಿಜ್ಞಾನ ಸಂಶೋಧನೆ ಮತ್ತು ವೈದ್ಯಕೀಯ ಅನ್ವಯಿಕೆಗಳಿಗಾಗಿ ಹೆಚ್ಚುವರಿ ಸಾಧನಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಸಹ ಇದನ್ನು ಬಳಸಬಹುದು ಎಂದು ಅವರು ಭಾವಿಸುತ್ತಾರೆ.

“ಪ್ರೋಟೀನ್ ವಿನ್ಯಾಸವು ಕಠಿಣ ಸಮಸ್ಯೆಯಾಗಿದೆ ಏಕೆಂದರೆ ಡಿಎನ್‌ಎ ಅನುಕ್ರಮದಿಂದ ಪ್ರೋಟೀನ್ ರಚನೆ ಮತ್ತು ಕಾರ್ಯಕ್ಕೆ ಮ್ಯಾಪಿಂಗ್ ನಿಜವಾಗಿಯೂ ಸಂಕೀರ್ಣವಾಗಿದೆ. ಅನುಕ್ರಮದಲ್ಲಿನ 10 ಬದಲಾವಣೆಗಳು ಉತ್ತಮ ಪ್ರೋಟೀನ್‌ಗೆ ಕಾರಣವಾಗಬಹುದು, ಆದರೆ ಪ್ರತಿ ಮಧ್ಯಂತರ ಬದಲಾವಣೆಯು ಸಂಪೂರ್ಣವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸದ ಪ್ರೋಟೀನ್‌ಗೆ ಅನುಗುಣವಾಗಿರಬಹುದು.

“ಇದು ಪರ್ವತ ಶ್ರೇಣಿಯಲ್ಲಿನ ನದಿಯ ಜಲಾನಯನ ಪ್ರದೇಶಕ್ಕೆ ನಿಮ್ಮ ದಾರಿಯನ್ನು ಹುಡುಕಲು ಪ್ರಯತ್ನಿಸುತ್ತಿರುವಂತೆ, ದಾರಿಯುದ್ದಕ್ಕೂ ಶಿಖರಗಳು ನಿಮ್ಮ ನೋಟವನ್ನು ನಿರ್ಬಂಧಿಸುತ್ತವೆ. ಪ್ರಸ್ತುತ ಕೆಲಸವು ನದಿಯ ತಳವನ್ನು ಹುಡುಕಲು ಸುಲಭವಾಗಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ” ಎಂದು ಪ್ರೊಫೆಸರ್ ಎಲಾ ಫಿಯೆಟ್ ಹೇಳುತ್ತಾರೆ. MIT ಯಲ್ಲಿ ಮೆದುಳು ಮತ್ತು ಅರಿವಿನ ವಿಜ್ಞಾನಗಳು ಮತ್ತು MIT ಯ ಮೆಕ್‌ಗವರ್ನ್ ಇನ್‌ಸ್ಟಿಟ್ಯೂಟ್ ಫಾರ್ ಬ್ರೈನ್ ರಿಸರ್ಚ್‌ನ ಸದಸ್ಯ. ಲಿಸಾ ಯಾಂಗ್, ಇಂಟಿಗ್ರೇಟಿವ್ ಕಂಪ್ಯೂಟೇಶನಲ್ ನ್ಯೂರೋಸೈನ್ಸ್ ಸೆಂಟರ್‌ನ ನಿರ್ದೇಶಕಿ ಮತ್ತು ಅಧ್ಯಯನದ ಹಿರಿಯ ಲೇಖಕರಲ್ಲಿ ಒಬ್ಬರು.

ರೆಜಿನಾ ಬಾರ್ಜಿಲೇ, ಸ್ಕೂಲ್ ಆಫ್ ಇಂಜಿನಿಯರಿಂಗ್ ಫಾರ್ ಎಐ ಮತ್ತು ಎಂಐಟಿಯಲ್ಲಿ ಡಿಸ್ಟಿಂಗ್ವಿಶ್ಡ್ ಪ್ರೊಫೆಸರ್ ಮತ್ತು ಟಾಮಿ ಜಾಕ್ಕೋಲಾ, ಥಾಮಸ್ ಸೀಬೆಲ್ ಪ್ರೊಫೆಸರ್ ಆಫ್ ಎಲೆಕ್ಟ್ರಿಕಲ್ ಇಂಜಿನಿಯರಿಂಗ್ ಮತ್ತು ಎಂಐಟಿಯಲ್ಲಿ ಕಂಪ್ಯೂಟರ್ ಸೈನ್ಸ್, ಅವರು ಈ ಕೃತಿಯ ಕುರಿತು ಮುಕ್ತ-ಪ್ರವೇಶ ಪತ್ರಿಕೆಯ ಹಿರಿಯ ಲೇಖಕರು. ಕಲಿಕೆಯ ಪ್ರಾತಿನಿಧ್ಯಗಳ ಕುರಿತ ಅಂತರರಾಷ್ಟ್ರೀಯ ಸಮ್ಮೇಳನದಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ. ಸಮ್ಮೇಳನದಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ (ICLR 2024) ಮೇ ತಿಂಗಳಲ್ಲಿ. ಇದು ಲಭ್ಯವಿದೆ ಆದರೆ arXiv ಪ್ರಿಪ್ರಿಂಟ್ ಸರ್ವರ್.

ಎಂಐಟಿ ಪದವಿ ವಿದ್ಯಾರ್ಥಿಗಳಾದ ಆಂಡ್ರ್ಯೂ ಕಿರ್ಜ್ನರ್ ಮತ್ತು ಜೇಸನ್ ಯಿಮ್ ಅಧ್ಯಯನದ ಪ್ರಮುಖ ಲೇಖಕರು. ಇತರ ಲೇಖಕರಲ್ಲಿ MIT ಪೋಸ್ಟ್‌ಡಾಕ್ ಶಹರ್ ಬ್ರಾಚಾ ಮತ್ತು ಜೆಕ್ ತಾಂತ್ರಿಕ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಪದವಿ ವಿದ್ಯಾರ್ಥಿ ರಾಮನ್ ಸಮುಸೆವಿಚ್ ಸೇರಿದ್ದಾರೆ.

ಪ್ರೋಟೀನ್ ಆಪ್ಟಿಮೈಸೇಶನ್

ಅನೇಕ ಸ್ವಾಭಾವಿಕವಾಗಿ ಕಂಡುಬರುವ ಪ್ರೊಟೀನ್‌ಗಳು ಸಂಶೋಧನೆ ಅಥವಾ ವೈದ್ಯಕೀಯ ಅನ್ವಯಿಕೆಗಳಿಗೆ ಉಪಯುಕ್ತವಾಗುವಂತಹ ಕಾರ್ಯಗಳನ್ನು ಹೊಂದಿವೆ, ಆದರೆ ಅವುಗಳನ್ನು ಉತ್ತಮಗೊಳಿಸಲು ಸ್ವಲ್ಪ ಹೆಚ್ಚುವರಿ ಎಂಜಿನಿಯರಿಂಗ್ ಅಗತ್ಯವಿರುತ್ತದೆ. ಈ ಅಧ್ಯಯನದಲ್ಲಿ, ಸಂಶೋಧಕರು ಮೂಲತಃ ಜೀವಂತ ಜೀವಕೋಶಗಳಲ್ಲಿ ವೋಲ್ಟೇಜ್ ಸೂಚಕಗಳಾಗಿ ಬಳಸಬಹುದಾದ ಪ್ರೋಟೀನ್‌ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವಲ್ಲಿ ಆಸಕ್ತಿ ಹೊಂದಿದ್ದರು.

ಕೆಲವು ಬ್ಯಾಕ್ಟೀರಿಯಾಗಳು ಮತ್ತು ಪಾಚಿಗಳಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ಈ ಪ್ರೊಟೀನ್‌ಗಳು ವಿದ್ಯುತ್ ಸಾಮರ್ಥ್ಯವನ್ನು ಪತ್ತೆ ಮಾಡಿದಾಗ ಪ್ರತಿದೀಪಕ ಬೆಳಕನ್ನು ಹೊರಸೂಸುತ್ತವೆ. ಸಸ್ತನಿ ಕೋಶಗಳಲ್ಲಿ ಬಳಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಿದರೆ, ಅಂತಹ ಪ್ರೋಟೀನ್‌ಗಳು ಎಲೆಕ್ಟ್ರೋಡ್‌ಗಳನ್ನು ಬಳಸದೆಯೇ ನರಕೋಶದ ಚಟುವಟಿಕೆಯನ್ನು ಅಳೆಯಲು ಸಂಶೋಧಕರಿಗೆ ಅವಕಾಶ ನೀಡುತ್ತವೆ.

ದಶಕಗಳ ಸಂಶೋಧನೆಯು ಈ ಪ್ರೊಟೀನ್‌ಗಳನ್ನು ವೇಗವಾಗಿ ಸಮಯದ ಪ್ರಮಾಣದಲ್ಲಿ ಪ್ರಬಲವಾದ ಪ್ರತಿದೀಪಕ ಸಂಕೇತವನ್ನು ಉತ್ಪಾದಿಸಲು ಎಂಜಿನಿಯರಿಂಗ್‌ಗೆ ಹೋಗಿದ್ದರೂ, ಅವು ವ್ಯಾಪಕವಾದ ಬಳಕೆಗೆ ಸಾಕಷ್ಟು ಪರಿಣಾಮಕಾರಿಯಾಗಿಲ್ಲ. ಮ್ಯಾಕ್‌ಗವರ್ನ್ ಇನ್‌ಸ್ಟಿಟ್ಯೂಟ್‌ನಲ್ಲಿ ಎಡ್ವರ್ಡ್ ಬೊಯ್ಡೆನ್ ಅವರ ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ಕೆಲಸ ಮಾಡುವ ಬ್ರಾಚಾ ಅವರು ಫಿಯೆಟ್‌ನ ಪ್ರಯೋಗಾಲಯವನ್ನು ತಲುಪಿದರು, ಅವರು ಪ್ರೊಟೀನ್‌ಗಳನ್ನು ಉತ್ತಮಗೊಳಿಸುವ ಪ್ರಕ್ರಿಯೆಯನ್ನು ವೇಗಗೊಳಿಸಲು ಸಹಾಯ ಮಾಡುವ ಕಂಪ್ಯೂಟೇಶನಲ್ ವಿಧಾನದಲ್ಲಿ ಒಟ್ಟಿಗೆ ಕೆಲಸ ಮಾಡಬಹುದೇ ಎಂದು ನೋಡಲು.

ಫಿಯೆಟ್ ಹೇಳುತ್ತಾರೆ, “ಈ ಕೆಲಸವು ಹಲವಾರು ವಿಜ್ಞಾನದ ಆವಿಷ್ಕಾರಗಳನ್ನು ನಿರೂಪಿಸುವ ಮಾನವ ಅನಿಶ್ಚಯತೆಯನ್ನು ಉದಾಹರಿಸುತ್ತದೆ.” “ಇದು ಯಾಂಗ್ ಟ್ಯಾನ್ ಕಲೆಕ್ಟಿವ್ ರಿಟ್ರೀಟ್‌ನಿಂದ ವಿಕಸನಗೊಂಡಿತು, ಇದು MIT ಯಲ್ಲಿನ ಅನೇಕ ಕೇಂದ್ರಗಳ ಸಂಶೋಧಕರ ವೈಜ್ಞಾನಿಕ ಸಭೆಯಾಗಿದ್ದು, ವಿಭಿನ್ನ ಕಾರ್ಯಾಚರಣೆಗಳೊಂದಿಗೆ, K. ಲಿಸಾ ಯಾಂಗ್ ಅವರ ಹಂಚಿಕೆಯ ಬೆಂಬಲದಿಂದ ಏಕೀಕರಿಸಲ್ಪಟ್ಟಿದೆ. ನಮ್ಮ ಕೆಲವು ಆಸಕ್ತಿಗಳು ಮತ್ತು ಸಾಧನಗಳು ಮಾಡೆಲಿಂಗ್‌ನಲ್ಲಿವೆ ಎಂದು ನಾವು ಕಲಿತಿದ್ದೇವೆ. ಮೆದುಳು ಹೇಗೆ ಕಲಿಯುತ್ತದೆ ಮತ್ತು ಉತ್ತಮಗೊಳಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಬೋಡೆನ್ ಲ್ಯಾಬ್‌ನಲ್ಲಿ ಅಭ್ಯಾಸ ಮಾಡುತ್ತಿರುವಂತೆ ಪ್ರೋಟೀನ್ ವಿನ್ಯಾಸದ ಸಂಪೂರ್ಣ ವಿಭಿನ್ನ ಡೊಮೇನ್‌ಗಳಿಗೆ ಅನ್ವಯಿಸಬಹುದು.”

ಸಂಶೋಧಕರು ಆಪ್ಟಿಮೈಸ್ ಮಾಡಲು ಬಯಸುವ ಯಾವುದೇ ಪ್ರೊಟೀನ್‌ಗೆ, ಅನುಕ್ರಮದ ಪ್ರತಿ ಹಂತದಲ್ಲಿ ವಿಭಿನ್ನ ಅಮೈನೋ ಆಮ್ಲಗಳಲ್ಲಿ ವಿನಿಮಯ ಮಾಡಿಕೊಳ್ಳುವ ಮೂಲಕ ಬಹುತೇಕ ಅನಂತ ಸಂಖ್ಯೆಯ ಸಂಭವನೀಯ ಅನುಕ್ರಮಗಳನ್ನು ರಚಿಸಬಹುದು. ಹಲವು ಸಂಭವನೀಯ ರೂಪಾಂತರಗಳೊಂದಿಗೆ, ಅವುಗಳನ್ನು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಪರೀಕ್ಷಿಸಲು ಅಸಾಧ್ಯವಾಗಿದೆ, ಆದ್ದರಿಂದ ಸಂಶೋಧಕರು ಕಂಪ್ಯೂಟೇಶನಲ್ ಮಾಡೆಲಿಂಗ್‌ಗೆ ತಿರುಗಿದ್ದು, ಯಾವುದು ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಊಹಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ.

ಈ ಅಧ್ಯಯನದಲ್ಲಿ, ಪ್ರೊಟೀನ್‌ನ ಉತ್ತಮ ಆವೃತ್ತಿಗಳನ್ನು ಊಹಿಸಬಲ್ಲ GFP ಯಿಂದ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ಕಂಪ್ಯೂಟೇಶನಲ್ ಮಾದರಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಮತ್ತು ಪರೀಕ್ಷಿಸುವ ಮೂಲಕ ಸಂಶೋಧಕರು ಆ ಸವಾಲುಗಳನ್ನು ನಿವಾರಿಸಿದ್ದಾರೆ.

ಅವರು GFP ಅನುಕ್ರಮಗಳು ಮತ್ತು ಅವುಗಳ ಹೊಳಪುಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಪ್ರಾಯೋಗಿಕ ಡೇಟಾದ ಮೇಲೆ ಕನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ (CNN) ಎಂಬ ಮಾದರಿಯ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು ಪ್ರಾರಂಭಿಸಿದರು – ಅವರು ಅತ್ಯುತ್ತಮವಾಗಿಸಲು ಬಯಸಿದ ವೈಶಿಷ್ಟ್ಯ.

ಮಾದರಿಯು “ಫಿಟ್‌ನೆಸ್ ಲ್ಯಾಂಡ್‌ಸ್ಕೇಪ್” ಅನ್ನು ರಚಿಸಲು ಸಾಧ್ಯವಾಯಿತು – ಒಂದು ನಿರ್ದಿಷ್ಟ ಪ್ರೋಟೀನ್‌ನ ಫಿಟ್‌ನೆಸ್ ಮತ್ತು ಸ್ಥಳೀಯ ಅನುಕ್ರಮದಿಂದ ಅದು ಎಷ್ಟು ವಿಭಿನ್ನವಾಗಿದೆ ಎಂಬುದನ್ನು ತೋರಿಸುವ ಮೂರು ಆಯಾಮದ ನಕ್ಷೆ – ತುಲನಾತ್ಮಕವಾಗಿ ಸಣ್ಣ ಪ್ರಮಾಣದ ಪ್ರಾಯೋಗಿಕ ಡೇಟಾದ ಆಧಾರದ ಮೇಲೆ (ಸುಮಾರು 1,000 ರೂಪಾಂತರಗಳಿಂದ) ಜಿಎಫ್ಪಿ).

ಈ ಭೂದೃಶ್ಯಗಳು ಫಿಟ್ಟರ್ ಪ್ರೋಟೀನ್‌ಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಶಿಖರಗಳನ್ನು ಮತ್ತು ಕಡಿಮೆ ಫಿಟ್ ಪ್ರೋಟೀನ್‌ಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಕಣಿವೆಗಳನ್ನು ಹೊಂದಿವೆ. ಫಿಟ್‌ನೆಸ್‌ನ ಉತ್ತುಂಗವನ್ನು ತಲುಪಲು ಪ್ರೋಟೀನ್ ಯಾವ ಮಾರ್ಗವನ್ನು ಅನುಸರಿಸಬೇಕು ಎಂಬುದನ್ನು ಊಹಿಸಲು ಕಷ್ಟವಾಗಬಹುದು, ಏಕೆಂದರೆ ಹೆಚ್ಚಿನ ಫಿಟ್‌ನೆಸ್‌ನ ಹತ್ತಿರದ ಶಿಖರವನ್ನು ತಲುಪುವ ಮೊದಲು ಪ್ರೋಟೀನ್ ಕಡಿಮೆ ಫಿಟ್ ಆಗುವ ರೂಪಾಂತರಗಳಿಗೆ ಒಳಗಾಗಬೇಕಾಗುತ್ತದೆ. ಈ ಸಮಸ್ಯೆಯನ್ನು ನಿವಾರಿಸಲು, ಫಿಟ್‌ನೆಸ್ ಲ್ಯಾಂಡ್‌ಸ್ಕೇಪ್ ಅನ್ನು “ಸುಗಮಗೊಳಿಸಲು” ಸಂಶೋಧಕರು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕಂಪ್ಯೂಟೇಶನಲ್ ತಂತ್ರವನ್ನು ಬಳಸಿದರು.

ಭೂದೃಶ್ಯದಲ್ಲಿನ ಈ ಸಣ್ಣ ಉಬ್ಬುಗಳನ್ನು ಸುಗಮಗೊಳಿಸಿದ ನಂತರ, ಸಂಶೋಧಕರು CNN ಮಾದರಿಯನ್ನು ಮರುತರಬೇತಿಗೊಳಿಸಿದರು ಮತ್ತು ಹೆಚ್ಚಿನ ಫಿಟ್‌ನೆಸ್ ಶಿಖರಗಳನ್ನು ಹೆಚ್ಚು ಸುಲಭವಾಗಿ ತಲುಪಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ ಎಂದು ಕಂಡುಹಿಡಿದರು. ಮಾದರಿಯು ಅವರು ಪ್ರಾರಂಭಿಸಿದ ಪ್ರೊಟೀನ್ ಅನುಕ್ರಮದಿಂದ ಏಳು ವಿಭಿನ್ನ ಅಮೈನೋ ಆಮ್ಲಗಳನ್ನು ಹೊಂದಿರುವ ಆಪ್ಟಿಮೈಸ್ಡ್ GFP ಅನುಕ್ರಮಗಳನ್ನು ಊಹಿಸಲು ಸಾಧ್ಯವಾಯಿತು, ಮತ್ತು ಇವುಗಳ ಅತ್ಯುತ್ತಮ ಪ್ರೋಟೀನ್ ಮೂಲಕ್ಕಿಂತ ಸುಮಾರು 2.5 ಪಟ್ಟು ಹೆಚ್ಚು ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ ಎಂದು ಊಹಿಸಲಾಗಿದೆ.

“ಒಮ್ಮೆ ನಾವು ಮಾದರಿಯು ಹತ್ತಿರದಲ್ಲಿದೆ ಎಂದು ಭಾವಿಸುವ ಈ ಸನ್ನಿವೇಶವನ್ನು ನಾವು ಹೊಂದಿದ್ದೇವೆ, ನಾವು ಅದನ್ನು ಸುಗಮಗೊಳಿಸುತ್ತೇವೆ ಮತ್ತು ನಂತರ ನಾವು ಸನ್ನಿವೇಶದ ಅರ್ಥಗರ್ಭಿತ ಆವೃತ್ತಿಯಲ್ಲಿ ಮಾದರಿಯನ್ನು ಮರುತರಬೇತಿಗೊಳಿಸುತ್ತೇವೆ” ಎಂದು ಕಿರ್ಜ್ನರ್ ಹೇಳುತ್ತಾರೆ. “ನಿಮ್ಮ ಪ್ರಾರಂಭದ ಹಂತದಿಂದ ಮೇಲಕ್ಕೆ ಈಗ ಮೃದುವಾದ ಮಾರ್ಗವಿದೆ, ಸಣ್ಣ ಸುಧಾರಣೆಗಳನ್ನು ಮಾಡುವ ಮೂಲಕ ಮಾದರಿಯು ಈಗ ತಲುಪಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಯಾವುದೇ ನಿರ್ಬಂಧಗಳಿಲ್ಲದ ಸನ್ನಿವೇಶಕ್ಕೆ ಇದು ಸಾಮಾನ್ಯವಾಗಿ ಅಸಾಧ್ಯವಾಗಿದೆ.”

ಪರಿಕಲ್ಪನೆಯ ಪುರಾವೆ

ಡಿಎನ್ಎ ವಿತರಿಸಲು ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸುವ ವೈರಲ್ ವೆಕ್ಟರ್ ಅಡೆನೊ-ಅಸೋಸಿಯೇಟೆಡ್ ವೈರಸ್ (AAV) ನ ವೈರಲ್ ಕ್ಯಾಪ್ಸಿಡ್‌ನ ಹೊಸ ಅನುಕ್ರಮಗಳನ್ನು ಗುರುತಿಸುವಲ್ಲಿ ಈ ವಿಧಾನವು ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂದು ಸಂಶೋಧಕರು ತೋರಿಸಿದರು. ಆ ಸಂದರ್ಭದಲ್ಲಿ, ಅವರು DNA ಪೇಲೋಡ್ ಅನ್ನು ಪ್ಯಾಕೇಜ್ ಮಾಡುವ ಸಾಮರ್ಥ್ಯಕ್ಕಾಗಿ ಕ್ಯಾಪ್ಸಿಡ್ ಅನ್ನು ಅಳವಡಿಸಿಕೊಂಡರು.

ಬ್ರಾಚಾ ಹೇಳುತ್ತಾರೆ, “ಇದು ಉತ್ತಮ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿರುವ ಡೇಟಾ ಸೆಟ್‌ಗಳಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ವಿಧಾನವಾಗಿದೆ ಎಂದು ತೋರಿಸಲು ನಾವು GFP ಮತ್ತು AAV ಅನ್ನು ಪರಿಕಲ್ಪನೆಯ ಪುರಾವೆಯಾಗಿ ಬಳಸಿದ್ದೇವೆ ಮತ್ತು ಇದರಿಂದಾಗಿ ಇತರ “ಪ್ರೋಟೀನ್ ಎಂಜಿನಿಯರಿಂಗ್ ಸಮಸ್ಯೆಗಳಿಗೆ ಅನ್ವಯಿಸಬೇಕು” .”

ಸಂಶೋಧಕರು ಈಗ ಈ ಕಂಪ್ಯೂಟೇಶನಲ್ ತಂತ್ರವನ್ನು ಬ್ರಾಚಾ ವೋಲ್ಟೇಜ್ ಸಿಗ್ನಲಿಂಗ್ ಪ್ರೊಟೀನ್‌ಗಳಲ್ಲಿ ಉತ್ಪಾದಿಸುವ ಡೇಟಾದಲ್ಲಿ ಬಳಸಲು ಯೋಜಿಸಿದ್ದಾರೆ.

“ಎರಡು ದಶಕಗಳಿಂದ ಡಜನ್‌ಗಟ್ಟಲೆ ಲ್ಯಾಬ್‌ಗಳು ಇದರ ಮೇಲೆ ಕೆಲಸ ಮಾಡುತ್ತಿವೆ ಮತ್ತು ಇನ್ನೂ ಉತ್ತಮವಾದದ್ದೇನೂ ಇಲ್ಲ” ಎಂದು ಅವರು ಹೇಳುತ್ತಾರೆ. “ಆಶಾದಾಯಕವಾಗಿ ಈಗ ಸಣ್ಣ ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ರಚಿಸುವುದರೊಂದಿಗೆ, ನಾವು ಸಿಲಿಕೋದಲ್ಲಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಬಹುದು ಮತ್ತು ಕಳೆದ ಎರಡು ದಶಕಗಳ ಹಸ್ತಚಾಲಿತ ಪರೀಕ್ಷೆಗಿಂತ ಉತ್ತಮವಾದ ಭವಿಷ್ಯವಾಣಿಗಳನ್ನು ಮಾಡಬಹುದು.”

ಹೆಚ್ಚಿನ ಮಾಹಿತಿ:
ಆಂಡ್ರ್ಯೂ ಕಿರ್ಜ್ನರ್ ಮತ್ತು ಇತರರು, ಸ್ಮೂತ್ಡ್ ಫಿಟ್ನೆಸ್ ಲ್ಯಾಂಡ್ಸ್ಕೇಪ್ಗಳೊಂದಿಗೆ ಪ್ರೋಟೀನ್ ಆಪ್ಟಿಮೈಸೇಶನ್ ಅನ್ನು ಸುಧಾರಿಸುವುದು, arXiv (2023) DOI: 10.48550/arxiv.2307.00494

ಜರ್ನಲ್ ಮಾಹಿತಿ:
arXiv