Ukryta rodzina białkąt

Sztuczna inteligencja może pomagać naukowcom w rozwiązywaniu złożonych zagadek biologicznych, jednak nawet zaawansowane systemy napotykają ograniczenia, gdy dostępne informacje są niekompletne.

Niedawne badanie białek mszyc pokazuje, w jaki sposób połączenie przewidywań komputerowych z danymi genetycznymi pozwala rozwiązać trudny problem badawczy.

Naukowcy odkryli, że tysiące szybko zmieniających się białek mają wspólny fundament strukturalny, co dostarcza nowych wskazówek na temat tego, jak te drobne owady wpływają na rozwój roślin.

Odkrycie nieznanej wcześniej rodziny białek

Mszyce mogą wpływać na rozwój niektórych roślin, wprowadzając do ich tkanek wyspecjalizowane białka. W niektórych przypadkach proces ten prowadzi do powstawania na roślinach narośli zwanych galasami, które stanowią miejsce bytowania owadów i źródło pożywienia dla ich potomstwa.

Naukowcy badali grupę tych cząsteczek, znanych jako białka BICYCLE. Ich nazwa nawiązuje do powtarzającego się wzorca z udziałem aminokwasu cysteiny. Choć badacze zidentyfikowali te białka, zrozumienie ich funkcji stanowiło wyzwanie, ponieważ ich sekwencje genetyczne znacząco różniły się od znanych białek zarejestrowanych w bazach danych.

Zazwyczaj naukowcy porównują sekwencję aminokwasową nieznanego białka z wcześniej poznanymi przykładami. Podobieństwa mogą dostarczyć wskazówek na temat kształtu i funkcji biologicznej danego białka. Podejście to okazało się jednak mniej skuteczne w przypadku białek BICYCLE, ponieważ uległy one znacznym zmianom w toku ewolucji.

Dlaczego przewidywania sztucznej inteligencji zawiodły?

Aby zbadać to zagadnienie, zespół badawczy współpracował z biologami strukturalnymi, wykorzystując krystalografię rentgenowską do ustalenia fizycznej budowy dwóch białek BICYCLE. Ta technika laboratoryjna pozwala naukowcom określić układ atomów wewnątrz cząsteczki.

Uzyskane struktury stanowiły istotny punkt odniesienia przy testowaniu AlphaFold2 – systemu sztucznej inteligencji zaprojektowanego do przewidywania kształtów białek na podstawie ich sekwencji aminokwasowych. Początkowo system AlphaFold2 nie zdołał odtworzyć struktur ustalonych eksperymentalnie. Problem nie sprowadzał się jedynie do braku mocy obliczeniowej.

System wykorzystuje również informacje ewolucyjne – w tym wzorce wspólne dla spokrewnionych białek – aby udoskonalać swoje przewidywania. Ponieważ białka BICYCLE były tak nietypowe, dostępne bazy danych nie dostarczały wystarczającej liczby użytecznych porównań. Systemowi sztucznej inteligencji brakowało zatem istotnego źródła kontekstu biologicznego.

Ewolucja dostarcza brakujących wskazówek

Naukowcy rozwiązali ten problem, gromadząc dodatkowe informacje genetyczne pochodzące od różnych gatunków mszyc. Ich praca obejmowała pobieranie próbek w terenie w Stanach Zjednoczonych i Japonii, a następnie sekwencjonowanie genomu w celu ujawnienia zależności między białkami.

Porównania te dostarczyły dowodów ewolucyjnych, których brakowało w pierwotnej analizie. Dzięki uzyskanym dodatkowym informacjom model AlphaFold2 z powodzeniem przewidział strukturę zgodną z tą ustaloną metodą krystalografii.

Następnie zespół rozszerzył to podejście na siedem gatunków mszyc, uzyskując około 2400 przewidywań strukturalnych o wysokim stopniu pewności.

Wyniki ujawniły wspólną cechę: białka te posiadały układ strukturalny znany jako motyw typu sapozyny (ang. saposin-like fold). Mówiąc najprościej, zdawały się one opierać na wspólnym planie budowy przestrzennej, mimo że ich poszczególne sekwencje uległy znacznym zmianom.

Odkrycie to ukazało powiązanie, którego identyfikacja sprawiała trudności przy zastosowaniu konwencjonalnych metod porównywania sekwencji.

Jedna struktura, wiele możliwych funkcji

Wspólna podstawa strukturalna niekoniecznie oznacza, że ​​białka pełnią identyczne funkcje. Naukowcy stwierdzili znaczne zróżnicowanie właściwości chemicznych zewnętrznych powierzchni tych białek. Niektóre obszary różniły się charakterystyką elektryczną oraz sposobem oddziaływania z wodą. Próby podziału białek na wyraźnie zdefiniowane grupy w oparciu o te właściwości zakończyły się niepowodzeniem.

Różnorodność ta sugeruje, że białka BICYCLE mogą oddziaływać z cząsteczkami roślinnymi na wiele różnych sposobów. Zamiast polegać na jednym konkretnym mechanizmie, białka te mogą wpływać na szereg procesów biologicznych zachodzących wewnątrz komórek roślinnych.

Naukowcy wysunęli również hipotezę, że szybka ewolucja białek może pomagać mszycom w utrzymaniu tych interakcji, jednocześnie utrudniając roślinom rozpoznawanie cząsteczek owada. Niemniej jednak dokładne funkcje poszczególnych białek wymagają dalszych badań.

Znaczenie odkrycia dla przyszłych badań

Badanie, opublikowane we wrześniu 2026 roku na łamach czasopisma Proceedings of the National Academy of Sciences, oferuje użyteczne podejście do analizy białek, które uległy tak znacznym zmianom, że ich rozpoznanie za pomocą konwencjonalnych metod porównawczych jest utrudnione. Znaczenie tego odkrycia wykracza poza badania nad mszycami.

W innych układach biologicznych również występują szybko ewoluujące białka, których charakterystyka stanowi wyzwanie. Połączenie pomiarów laboratoryjnych, sekwencjonowania genetycznego, analizy ewolucyjnej oraz przewidywań opartych na sztucznej inteligencji może pomóc naukowcom w skuteczniejszym badaniu tych cząsteczek.

Należy jednak pamiętać, że przewidywane struktury nie zastępują dowodów uzyskanych drogą eksperymentalną. Badania te dowodzą, że sztuczna inteligencja może działać skuteczniej, gdy naukowcy dostarczą jej odpowiedni kontekst biologiczny.

Łącząc eksperymentalnie ustalone struktury z informacjami genetycznymi pochodzącymi od wielu gatunków mszyc, zespół badawczy odkrył wspólny schemat budowy, ukryty pod znacznym zróżnicowaniem białek. Kolejnym wyzwaniem jest ustalenie, w jaki sposób cząsteczki te oddziałują na komórki roślinne oraz czy ich różnorodne struktury odpowiadają odmiennym funkcjom biologicznym.

Dalsze prace mogą pomóc naukowcom w lepszym zrozumieniu złożonych interakcji roślinnych, a jednocześnie pokazać, jak wiedza z zakresu ewolucji może wspierać odkrycia dokonywane przy udziale sztucznej inteligencji.