Állatok
Rejtett fehérjék
A mesterséges intelligencia egyre összetettebb biológiai rejtélyek megoldásában segíti a tudósokat, ám hiányos adatok esetén még a legfejlettebb rendszerek is korlátokba ütközhetnek.
Egy új kutatás bemutatja, hogyan vezethet eredményre a számítógépes előrejelzések, a genetikai adatok és az evolúciós összefüggések együttes vizsgálata.
A levéltetvek fehérjéinek tanulmányozása során a kutatók olyan közös térszerkezeti mintát azonosítottak, amely több ezer, az evolúció során jelentősen megváltozott molekulában is megtalálható.
Egy rejtett fehérjecsalád nyomában
A levéltetvek bizonyos növények fejlődését úgy befolyásolják, hogy különleges fehérjéket juttatnak a növényi szövetekbe. Ez a folyamat egyes esetekben úgynevezett gubacsok kialakulásához vezet. Ezek a növényi képződmények lakóhelyet és táplálékforrást biztosítanak a rovaroknak, valamint segítik utódaik felnevelését. A tudósok egy ilyen fehérjecsoportot is vizsgálnak, amelyet BICYCLE-fehérjéknek neveznek.
Elnevezésük a cisztein nevű aminosav ismétlődő mintázatára utal. Bár a kutatók már korábban azonosították ezeket a molekulákat, biológiai szerepük feltárása komoly nehézségekbe ütközött. Aminosavsorrendjük ugyanis jelentősen eltért a tudományos adatbázisokban szereplő, korábban megismert fehérjékétől. A kutatók általában az ismeretlen fehérjék aminosavsorrendjét hasonlítják össze más, már tanulmányozott molekulákéval.
A hasonlóságok segíthetnek következtetni a fehérjék térbeli felépítésére és biológiai szerepére. A BICYCLE-fehérjék esetében azonban ez a módszer kevésbé bizonyult hatékonynak, mivel az evolúció során olyan mértékben megváltoztak, hogy a hagyományos összehasonlítások nem vezettek egyértelmű eredményre.
Miért vallott kudarcot a mesterséges intelligencia?
A probléma feltárásához a kutatócsoport szerkezetbiológusokkal együttműködve két BICYCLE-fehérje térbeli szerkezetét határozta meg röntgenkrisztallográfiával. Ez a laboratóriumi módszer lehetővé teszi a tudósok számára, hogy feltárják az atomok molekulán belüli elrendeződését.
Az így meghatározott szerkezetek fontos viszonyítási alapot biztosítottak az AlphaFold2 nevű mesterségesintelligencia-rendszer teszteléséhez. A rendszer célja, hogy a fehérjék aminosavsorrendje alapján előre jelezze azok térbeli felépítését.
Az első próbálkozások azonban sikertelenek voltak: az AlphaFold2 nem tudta megfelelően előre jelezni a laboratóriumi mérésekkel meghatározott szerkezeteket.
A problémát nem egyszerűen a számítási kapacitás hiánya okozta. A rendszer az előrejelzések során evolúciós információkra is támaszkodik, például a rokon fehérjékben megfigyelhető hasonlóságokra. Mivel a BICYCLE-fehérjék szokatlanul nagy mértékben eltértek az ismert molekuláktól, a rendelkezésre álló adatbázisok nem biztosítottak elegendő összehasonlítási lehetőséget. A mesterséges intelligencia így nélkülözte a pontos előrejelzéshez szükséges biológiai háttérinformációk egy részét.
Az evolúció szolgáltatta a hiányzó nyomokat
A kutatók úgy próbálták megoldani a problémát, hogy további genetikai adatokat gyűjtöttek különböző levéltetűfajokról. A munka részeként az Egyesült Államokban és Japánban is végeztek terepi mintavételezést, majd a genetikai állományok szekvenálásával feltárták a fehérjék közötti evolúciós kapcsolatokat.
Az új összehasonlítások olyan információkat szolgáltattak, amelyek az első elemzésből hiányoztak. Ezek felhasználásával az AlphaFold2 már sikeresen előre jelezte azt a fehérjeszerkezetet, amely megfelelt a röntgenkrisztallográfiával meghatározott térbeli elrendeződésnek.
A kutatócsoport ezután hét levéltetűfajra terjesztette ki a vizsgálatot, és mintegy 2400, nagy megbízhatóságú szerkezeti előrejelzést készített.
Az eredmények egy fontos közös vonást tártak fel: a fehérjék úgynevezett szaposzinszerű térszerkezettel rendelkeznek. Ez azt jelenti, hogy a molekulák hasonló háromdimenziós szerkezeti mintát követnek, annak ellenére, hogy aminosavsorrendjük jelentősen eltérhet egymástól.
A felfedezés olyan kapcsolatot tett láthatóvá, amelyet a hagyományos sorrend-összehasonlító módszerek korábban nehezen tudtak felismerni.
Azonos szerkezet, eltérő feladatok
A közös térbeli felépítés nem jelenti automatikusan azt, hogy a fehérjék azonos feladatot látnak el. A kutatók jelentős különbségeket találtak a molekulák külső felszínének kémiai tulajdonságaiban. Egyes területeik elektromos jellemzői és a vízzel való kölcsönhatásai is eltértek egymástól.
A tudósok megpróbálták ezek alapján jól elkülöníthető csoportokba rendezni a fehérjéket, de nem sikerült egyértelmű csoportokat kialakítaniuk.
A változatosság arra utal, hogy a BICYCLE-fehérjék sokféle módon léphetnek kölcsönhatásba a növényi molekulákkal. Elképzelhető, hogy nem egyetlen meghatározott mechanizmus révén fejtik ki hatásukat, hanem a növényi sejtekben zajló többféle biológiai folyamatot is befolyásolnak.
A kutatók azt is felvetették, hogy a fehérjék gyors evolúciós változása segítheti a levéltetveket a növényekkel fenntartott kölcsönhatások megőrzésében, miközben megnehezítheti, hogy a növények felismerjék ezeket a molekulákat. Az egyes fehérjék pontos működésének megértéséhez azonban további vizsgálatokra van szükség.
Mit jelent a felfedezés a jövő kutatásai számára?
A tanulmány 2026 szeptemberében jelent meg a Proceedings of the National Academy of Sciences című tudományos folyóiratban. Az eredmények olyan kutatási megközelítést mutatnak be, amely segíthet azoknak a fehérjéknek a vizsgálatában, amelyek az evolúció során annyira megváltoztak, hogy a hagyományos összehasonlítási módszerekkel már nehezen azonosíthatók.
A módszer jelentősége túlmutat a levéltetvek kutatásán. Más biológiai rendszerekben is találhatók gyorsan változó fehérjék, amelyek szerkezetét és működését a tudósok egyelőre nehezen tudják meghatározni.
A laboratóriumi mérések, a genetikai szekvenálás, az evolúciós elemzés és a mesterséges intelligencia előrejelzéseinek együttes alkalmazása hatékonyabbá teheti ezeknek a molekuláknak a vizsgálatát. A számítógépes előrejelzések ugyanakkor nem helyettesítik a kísérleti bizonyítékokat.
A kutatás egyik legfontosabb tanulsága, hogy a mesterséges intelligencia akkor működhet eredményesebben, ha megfelelő biológiai háttérinformációk állnak rendelkezésére. A kísérletileg meghatározott fehérjeszerkezetek és a különböző levéltetűfajokból származó genetikai adatok összekapcsolásával a kutatók olyan közös szerkezeti mintát fedeztek fel, amely a jelentős eltérések ellenére is fennmaradt.
A következő lépés annak tisztázása, hogy ezek a molekulák miként befolyásolják a növényi sejtek működését, és a szerkezeti különbségek valóban eltérő biológiai feladatokat tükröznek-e.
A további vizsgálatok nemcsak a növények és a levéltetvek közötti összetett kapcsolatokat segíthetnek megérteni, hanem azt is megmutathatják, miként egészítheti ki az evolúciós ismeret a mesterséges intelligencia által támogatott tudományos felfedezéseket.