RSG - Iran

👀کاوش جامع در فضای ساختاری پروتئین کینازها با استفاده از هوش مصنوعی

🟢پروتئین کینازها آنزیم‌هایی هستند که با فسفریلاسیون پروتئین‌ها، مسیرهای پیام‌رسانی سلولی را تنظیم می‌کنند و در فرآیندهایی مانند رشد، تکثیر و پاسخ‌های ایمنی نقش حیاتی دارند. به همین دلیل، این کینازها اهداف مهمی در طراحی داروهای درمانی، به‌ویژه داروهای ضدسرطان، هستند.
یکی از چالش‌های کلیدی در این زمینه، انعطاف‌پذیری ساختاری کینازها است که آن‌ها را در حالت‌های فعال و غیرفعال قرار می‌دهد. داروهایی که به این حالت‌های غیرفعال متصل می‌شوند، به دلیل زمان ماندگاری طولانی‌تر و اثربخشی بیشتر، بسیار حائز اهمیت هستند. اما ساختارهای غیرفعال به‌ندرت در بانک‌های داده تجربی مانند PDB موجود هستند، که این امر کشف داروهای موثرتر را دشوار می‌کند.

🖥در این مقاله، محققان با استفاده از تکنیک‌های پیشرفته هوش مصنوعی، از جمله AlphaFold2 و ESMFold، به بررسی فضای ساختاری پروتئین کینازها پرداختند. این ابزارهای هوش مصنوعی از الگوریتم‌های پیشرفته یادگیری عمیق برای پیش‌بینی ساختارهای سه‌بعدی پروتئین‌ها استفاده می‌کنند. AlphaFold2 که توسط شرکت DeepMind توسعه یافته، از ترکیب داده‌های توالی پروتئین‌ها و هم‌ترازی چندتوالی (MSA) برای شناسایی ارتباطات تکاملی بین پروتئین‌ها استفاده می‌کند و ساختارهای پروتئینی را با دقتی نزدیک به داده‌های تجربی پیش‌بینی می‌کند. ESMFold نیز رویکردی مبتنی بر یادگیری زبان طبیعی پروتئین‌ها دارد و بدون استفاده از هم‌ترازی چندتوالی، ساختارها را از روی توالی پروتئینی پیش‌بینی می‌کند.

🔍در این تحقیق، برای کاهش محدودیت‌های موجود در ساختارهای تجربی، محققان عمق هم‌ترازی چندتوالی(MSA) در مدل AlphaFold2 را تغییر دادند. نتایج نشان داد که با کاهش عمق MSA، مدل‌ها قادر به کاوش در فضای ساختاری متنوع‌تری از کینازها، از جمله حالت‌های غیرفعال مثل DFG-out، شدند. آن‌ها ساختارهای جدیدی برای ۳۹۸ کیناز کشف کردند که تاکنون در داده‌های تجربی مشاهده نشده بود.

⭐️این یافته‌ها از اهمیت بالایی برخوردارند، چرا که با افزایش دقت و تنوع ساختارهای پیش‌بینی شده، می‌توان داروهای جدیدی را طراحی کرد که به حالت‌های غیرفعال کینازها متصل شوند. داروهایی که به این حالت‌ها متصل می‌شوند، مانند مهارکننده‌های نوع دوم، می‌توانند اثربخشی بیشتری داشته و درمان بیماری‌هایی نظیر سرطان را بهبود بخشند.

A comprehensive exploration of the druggable conformational space of protein kinases using AI-predicted structures

گردآورنده: هانیه ملایی

🚀Telegram
🖼LinkedIn
🖼Instagram

Please open Telegram to view this post

VIEW IN TELEGRAM

www.tgoop.com/RSGIran/342

2.3K viewsSep 26 at 15:45

👀کاوش جامع در فضای ساختاری پروتئین کینازها با استفاده از هوش مصنوعی

🟢پروتئین کینازها آنزیم‌هایی هستند که با فسفریلاسیون پروتئین‌ها، مسیرهای پیام‌رسانی سلولی را تنظیم می‌کنند و در فرآیندهایی مانند رشد، تکثیر و پاسخ‌های ایمنی نقش حیاتی دارند. به همین دلیل، این کینازها اهداف مهمی در طراحی داروهای درمانی، به‌ویژه داروهای ضدسرطان، هستند.
یکی از چالش‌های کلیدی در این زمینه، انعطاف‌پذیری ساختاری کینازها است که آن‌ها را در حالت‌های فعال و غیرفعال قرار می‌دهد. داروهایی که به این حالت‌های غیرفعال متصل می‌شوند، به دلیل زمان ماندگاری طولانی‌تر و اثربخشی بیشتر، بسیار حائز اهمیت هستند. اما ساختارهای غیرفعال به‌ندرت در بانک‌های داده تجربی مانند PDB موجود هستند، که این امر کشف داروهای موثرتر را دشوار می‌کند.

🖥در این مقاله، محققان با استفاده از تکنیک‌های پیشرفته هوش مصنوعی، از جمله AlphaFold2 و ESMFold، به بررسی فضای ساختاری پروتئین کینازها پرداختند. این ابزارهای هوش مصنوعی از الگوریتم‌های پیشرفته یادگیری عمیق برای پیش‌بینی ساختارهای سه‌بعدی پروتئین‌ها استفاده می‌کنند. AlphaFold2 که توسط شرکت DeepMind توسعه یافته، از ترکیب داده‌های توالی پروتئین‌ها و هم‌ترازی چندتوالی (MSA) برای شناسایی ارتباطات تکاملی بین پروتئین‌ها استفاده می‌کند و ساختارهای پروتئینی را با دقتی نزدیک به داده‌های تجربی پیش‌بینی می‌کند. ESMFold نیز رویکردی مبتنی بر یادگیری زبان طبیعی پروتئین‌ها دارد و بدون استفاده از هم‌ترازی چندتوالی، ساختارها را از روی توالی پروتئینی پیش‌بینی می‌کند.

🔍در این تحقیق، برای کاهش محدودیت‌های موجود در ساختارهای تجربی، محققان عمق هم‌ترازی چندتوالی(MSA) در مدل AlphaFold2 را تغییر دادند. نتایج نشان داد که با کاهش عمق MSA، مدل‌ها قادر به کاوش در فضای ساختاری متنوع‌تری از کینازها، از جمله حالت‌های غیرفعال مثل DFG-out، شدند. آن‌ها ساختارهای جدیدی برای ۳۹۸ کیناز کشف کردند که تاکنون در داده‌های تجربی مشاهده نشده بود.

⭐️این یافته‌ها از اهمیت بالایی برخوردارند، چرا که با افزایش دقت و تنوع ساختارهای پیش‌بینی شده، می‌توان داروهای جدیدی را طراحی کرد که به حالت‌های غیرفعال کینازها متصل شوند. داروهایی که به این حالت‌ها متصل می‌شوند، مانند مهارکننده‌های نوع دوم، می‌توانند اثربخشی بیشتری داشته و درمان بیماری‌هایی نظیر سرطان را بهبود بخشند.

A comprehensive exploration of the druggable conformational space of protein kinases using AI-predicted structures

گردآورنده: هانیه ملایی

🚀Telegram
🖼LinkedIn
🖼Instagram