Zrozumienie związku między sekwencją białek, ich strukturą i funkcją
Białka są najpowszechniejszymi po wodzie cząsteczkami w naszym organizmie, tworzą mięśnie i inne tkanki ciała, takie jak włosy. Są one niezbędną składową wszystkich żywych organizmów, a dzięki nowej analizie obliczeniowej prowadzonej przez dr Lucy Colwell, stypendystkę programu „Maria Skłodowska-Curie”, naukowcy będą w stanie lepiej je zrozumieć i opracowywać leki. Jej zespół matematyków, chemików i biochemików z Uniwersytetu w Cambridge odkrył związki pomiędzy sekwencjami białek, ich trójwymiarowymi strukturami i funkcjami. „Wyniki te nadadzą kierunek przyszłym badaniom. Związek pomiędzy sekwencją a strukturą i funkcją białek jest jedną z największych zagadek naszych czasów”, mówi dr Colwell, która pracowała nad projektem Evo-Couplings. Dzięki projektowi EVO-COUPLINGS łatwiej można dokonać nowych przełomowych odkryć w dziedzinie leków, ponieważ praca zespołu zwiększyła możliwości naukowców związane z przewidywaniem struktury trzeciorzędowej oraz cząsteczek oddziałujących z białkami. Badania, prowadzone przy wsparciu programu „Maria Skłodowska-Curie”, cechowały się nowatorskim podejściem, które początkowo zostało przyjęte sceptycznie przez recenzentów. Ale z czasem się to zmieniło. „Jestem podekscytowana widząc, jak te pomysły weszły do głównego nurtu”, powiedziała. „Przed naszymi badaniami znacznie trudniej było przewidzieć strukturę białek i ich interakcje bazując na samych sekwencjach. To podejście staje się standardem w tej dziedzinie i stanowi kluczowy element wielu ostatnich ważnych osiągnięć”. Rozwiązanie macierzy W skład badawczy wchodzili również matematycy, którzy opracowali metody wykorzystujące teorię macierzy losowych (probabilistyczne podejście opracowane przez fizyków), aby pomóc chemikom i biochemikom w analizie danych dotyczących sekwencji białek. Techniki eksperymentalne w ostatnich latach umożliwiły naukowcom zajmującym się naukami przyrodniczymi zebranie dużej ilości danych do badań, ale próba znalezienia w rozległym zbiorze przydatnych informacji, może przyprawiać o ból głowy. „Moim zadaniem jest wycięcie szumu”, powiedziała dr Colwell. „Aby wykorzystać sekwencje białkowe do przewidywania struktury, musieliśmy najpierw zidentyfikować i usunąć »szum« w danych spowodowany faktem, że różne białka są ze sobą powiązane. Sygnał ten musi zostać »znormalizowany« pośród danych, zanim będą mogły zostać zbudowane modele matematyczne, które będą dostarczać użytecznych przewidywań”. Analitycy wykorzystują metody wizualizacji danych, aby ułatwić identyfikację struktur w wielu innych dziedzinach. Metody te mogą być stosowane do każdego rodzaju danych. Dr Colwell współpracuje teraz z firmą Google w celu wykorzystania postępów w uczeniu maszynowym do wykrywania wzorów, które są trudne do zidentyfikowania przez ludzi.
Słowa kluczowe
EVO-COUPLINGS, białka, struktura białek, sekwencja, macierz losowa, uczenie maszynowe
