Proteiinitutkimus

Tekoäly voi auttaa tiedemiehiä ratkaisemaan monimutkaisia biologisia pulmia, mutta jopa kehittyneillä järjestelmillä on rajansa, kun saatavilla oleva tieto on puutteellista.

Viimeaikainen tutkimus kirvatproteiineista kuvaa, miten laskennallisten ennusteiden yhdistäminen geneettiseen näyttöön voi ratkaista vaikean tutkimusongelman.

Tutkijat havaitsivat tuhansien nopeasti muuttuvien proteiinien jakavan yhteisen rakenteellisen perustan, tarjoten uusia vihjeitä siitä, miten nämä pienet hyönteiset vaikuttavat kasvien kehitykseen.

Salaisen proteiiniperheen paljastaminen

Kirvat voivat vaikuttaa tiettyjen kasvien kehitykseen tuomalla erikoistuneita proteiineja niiden kudoksiin. Joissain tapauksissa tämä prosessi saa kasvit muodostamaan rakenteita, joita kutsutaan kasvaimiksi, jotka tarjoavat paikan hyönteisten asua ja ruokkia jälkeläisiään. Tutkijat ovat tutkineet erästä näiden molekyylien ryhmää, jota kutsutaan BICYCLE-proteiineiksi. Niiden nimi viittaa toistuvaan kuvioon, joka liittyy aminohappoon kysteiiniin.

Vaikka tutkijat olivat tunnistaneet proteiinit, niiden tehtävien ymmärtäminen oli vaikeaa, koska niiden geneettiset sekvenssit poikkesivat merkittävästi tutuista proteiineista tieteellisissä tietokannoissa. Normaalisti tutkijat vertaavat tuntemattoman proteiinin aminohappojen sekvenssiä aiemmin tutkittujen esimerkkien kanssa.

Yhtäläisyydet voivat tarjota vihjeitä sen muodosta ja biologisesta tehtävästä. Kuitenkin tämä lähestymistapa oli vähemmän tehokas BICYCLE-proteiinien osalta, koska ne olivat muuttuneet niin paljon evoluution aikana.

Miksi tekoälyn ennuste epäonnistui

Selvittääkseen asiaa tutkimusryhmä työskenteli rakennebiologien kanssa määrittääkseen kahden BICYCLE-proteiinin fyysiset järjestykset röntgensädekiteilyyn perustuvalla menetelmällä. Tämä laboratoriotekniikka auttaa tutkijoita selvittämään, miten atomit ovat järjestäytyneet molekyylin sisällä.

Saadut rakenteet tarjosivat tärkeän vertailukohdan AlphaFold2:lle, tekoälyjärjestelmälle, joka on suunniteltu ennustamaan proteiinin muodot niiden aminohappojen sekvensseistä. Aluksi AlphaFold2 ei onnistunut toistamaan kokeellisesti määritettyjä rakenteita. Ongelma ei ollut pelkästään laskentatehon puute.

Järjestelmä nojautuu myös evoluutioinformaatioon, mukaan lukien kaavat, jotka ovat jaettuja liittyvien proteiinien kesken, parantaakseen ennustuksiaan. Koska BICYCLE-proteiinit olivat niin epätavallisia, käytettävissä olevat tietokannat eivät tarjonneet tarpeeksi hyödyllisiä vertailukohteita. Tekoälyllä oli siten tärkeä biologisen kontekstin lähde.

Evoluutio tarjoaa puuttuvat vihjeet

Tutkijat ratkaisivat ongelman keräämällä lisää geneettistä tietoa eri kirva-lajeilta. Heidän työhönsä sisältyi kenttänäytteiden kerääminen Yhdysvalloissa ja Japanissa, ja sitten genomin sekvensointi paljastaakseen suhteita proteiinien välillä. Nämä vertailut tarjosivat evolutiivista näyttöä, jota alkuperäisestä analyysistä oli puuttunut.

Lisätietojen avulla AlphaFold2 ennusti onnistuneesti rakenteen vastaamaan kideröntgendiffraktiolla vahvistettua rakennetta. Tiimi laajensi sitten lähestymistapaa seitsemään kirva-lajiin tuottaen noin 2 400 korkean luottamuksen rakenteellista ennustetta.

Tasainen piirre nousi tuloksista: proteiinit jakoivat rakenteellisen järjestyksen, jota kutsutaan saposiini-tyyppiseksi taitoksi. Yksinkertaisesti sanottuna ne näyttivät seuraavan yhteistä kolmiulotteista suunnitelmaa, vaikka niiden yksilölliset sekvenssit olivat muuttuneet merkittävästi. Tämä löydös paljasti yhteyden, jonka perinteiset sekvenssivertailut olivat vaikeuksissa tunnistaa.

Yksi rakenne, Monia mahdollisia tehtäviä

Yhteisen rakenteellisen perustan jakaminen ei välttämättä tarkoita, että proteiinit suorittavat identtisiä tehtäviä. Tutkijat havaitsivat merkittäviä vaihteluita proteiinien ulkopintojen kemiallisissa ominaisuuksissa. Joillakin alueilla oli eroja niiden sähköisissä ominaisuuksissa ja vuorovaikutuksissa veden kanssa. Yritykset jakaa proteiinit selkeästi määritellyiksi ryhmiksi näiden ominaisuuksien perusteella epäonnistuivat.

Tämä monimuotoisuus viittaa siihen, että BICYCLE-proteiinit voivat vaikuttaa kasvimolekyyleihin monin eri tavoin. Sen sijaan, että luottaisivat yhteen tiettyyn mekanismiin, proteiinit voisivat vaikuttaa useisiin biologisiin prosesseihin kasvisoluissa.

Tutkijat ehdottivat myös, että nopea proteiinievoluutio voi auttaa kirvoja ylläpitämään näitä vuorovaikutuksia samalla kun tekee niiden molekyyleistä vaikeampia kasveille tunnistaa. Kuitenkin yksittäisten proteiinien tarkat tehtävät vaativat edelleen lisätutkimuksia.

Mitä löytö tarkoittaa tulevaisuuden tutkimukselle

Syyskuussa 2026 julkaistu tutkimus, joka julkaistiin National Academy of Sciencesin Proceedings-lehdessä, tarjoaa hyödyllisen lähestymistavan proteiinien tarkasteluun, jotka ovat muuttuneet liikaa, jotta perinteiset vertailumenetelmät tunnistaisivat helposti. Sen merkitys ulottuu kirvojen ulkopuolelle. Muut biologiset järjestelmät sisältävät myös nopeasti kehittyviä proteiineja, jotka ovat vaikeita luonnehtia.

Laboratoriomittauksien, geneettisen sekvensioinnin, evolutiivisen analyysin ja tekoälyennusteiden yhdistäminen voi auttaa tutkijoita tutkimaan näitä molekyylejä tehokkaammin. Silti ennustetut rakenteet eivät ole korvike kokeelliselle näytölle. Tutkimus osoittaa, että tekoäly voi olla tehokkaampi, kun tutkijat tarjoavat oikean biologisen kontekstin.

Yhdistämällä kokeellisesti määritetyt rakenteet ja geneettinen informaatio useilta kirva-lajeilta, tiimi paljasti jaetun suunnitelman, joka oli piilossa laajasta proteiinimuunnoksesta. Seuraava haaste on selvittää, miten nämä molekyylit vaikuttavat kasvisoluihin ja vastaavatko niiden erilaiset rakenteet erilaisiin biologisiin tehtäviin.

Tutkimuksen jatkuessa se voi auttaa tiedemiehiä ymmärtämään paremmin monimutkaisia kasvien vuorovaikutuksia osoittaen samalla, miten evolutiivinen tieto voi vahvistaa tekoälyn avustamia löytöjä.