AI otkriva tajne ušiju

Umjetna inteligencija može pomoći znanstvenicima u rješavanju složenih bioloških zagonetki, no čak i napredni sustavi imaju svoja ograničenja kada su dostupni podaci nepotpuni. Nedavna studija proteina lisnih ušiju pokazuje kako se kombiniranjem računalnih predviđanja i genetskih dokaza može riješiti zahtjevan istraživački problem.

Znanstvenici su otkrili da tisuće proteina, koji se brzo mijenjaju, dijele zajedničku strukturnu osnovu, što pruža nove naznake o tome kako ti sitni kukci utječu na razvoj biljaka.

Otkrivanje skrivene obitelji proteina

Lisne uši mogu utjecati na razvoj određenih biljaka unošenjem specijaliziranih proteina u njihova tkiva. U nekim slučajevima, ovaj proces uzrokuje da biljke formiraju strukture zvane gale, koje kukcima pružaju mjesto za život i hranjenje potomstva.

Znanstvenici su proučavali skupinu ovih molekula poznatih kao BICYCLE proteini. Njihovo ime odnosi se na ponavljajući uzorak koji uključuje aminokiselinu cistein. Iako su istraživači identificirali proteine, razumijevanje njihovih uloga ostalo je teško jer su se njihovi genetski nizovi znatno razlikovali od poznatih proteina zabilježenih u znanstvenim bazama podataka.

Obično istraživači uspoređuju aminokiselinski niz nepoznatog proteina s prethodno proučavanim primjerima. Sličnosti mogu ponuditi tragove o njegovom obliku i biološkoj funkciji. Međutim, ovaj pristup bio je manje učinkovit za BICYCLE proteine jer su se toliko promijenili tijekom evolucijskog vremena.

Zašto je predviđanje umjetne inteligencije propalo

Kako bi istražili, istraživački tim je surađivao sa strukturnim biolozima kako bi odredio fizički raspored dvaju BICYCLE proteina putem rendgenske kristalografije. Ova laboratorijska tehnika pomaže znanstvenicima da utvrde kako su atomi organizirani unutar molekule. Dobivene strukture pružile su važnu referencu za testiranje AlphaFold2, AI sustava dizajniranog za predviđanje oblika proteina iz njihovih aminokiselinskih sekvenci.

U početku, AlphaFold2 nije uspio reproducirati eksperimentalno određene strukture. Problem nije bio samo nedostatak računalne snage. Sustav se također oslanja na evolucijske informacije, uključujući obrasce koje dijele srodni proteini, kako bi poboljšao svoja predviđanja. Budući da su BICYCLE proteini bili toliko neobični, dostupne baze podataka nisu pružale dovoljno korisnih usporedbi. Stoga je umjetnoj inteligenciji nedostajao važan izvor biološkog konteksta.

Evolucija pruža nedostajuće tragove

Istraživači su se pozabavili problemom prikupljanjem dodatnih genetskih informacija od različitih vrsta lisnih uši. Njihov rad uključivao je uzorkovanje na terenu u Sjedinjenim Državama i Japanu, nakon čega je uslijedilo sekvenciranje genoma kako bi se otkrili odnosi među proteinima.

Ove usporedbe pružile su evolucijske dokaze koji su nedostajali u izvornoj analizi. S dodatnim dostupnim informacijama, AlphaFold2 uspješno je predvidio strukturu koja odgovara onoj utvrđenoj kristalografijom. Tim je zatim proširio pristup na sedam vrsta lisnih uši, generirajući približno 2400 strukturnih predviđanja visoke pouzdanosti.

Iz rezultata se pojavila dosljedna značajka: proteini su dijelili strukturni raspored poznat kao nabor sličan saposinu. Jednostavno rečeno, činilo se da slijede zajednički trodimenzionalni nacrt iako su se njihove pojedinačne sekvence znatno promijenile. Nalaz je otkrio vezu koju su konvencionalne usporedbe sekvenci teško identificirale.

Jedna struktura, mnogo mogućih funkcija

Dijeljenje strukturne osnove ne znači nužno da proteini obavljaju identične zadatke. Istraživači su otkrili značajne varijacije u kemijskim svojstvima vanjskih površina proteina. Neka područja razlikovala su se po svojim električnim karakteristikama i interakcijama s vodom. Pokušaji podjele proteina u jasno definirane skupine na temelju tih svojstava bili su neuspješni.

Ova raznolikost sugerira da BICYCLE proteini mogu stupiti u interakciju s biljnim molekulama na mnogo različitih načina. Umjesto da se oslanjaju na jedan specifičan mehanizam, proteini bi mogli utjecati na nekoliko bioloških procesa unutar biljnih stanica. Istraživači su također predložili da brza evolucija proteina može pomoći lisnim ušima da održe te interakcije, a istovremeno otežati prepoznavanje njihovih molekula biljkama. Međutim, precizne funkcije pojedinačnih proteina još uvijek zahtijevaju daljnja istraživanja.

Što otkriće znači za buduća istraživanja

Studija, objavljena u časopisu Proceedings of the National Academy of Sciences u rujnu 2026., nudi koristan pristup za ispitivanje proteina koji su se previše promijenili da bi ih konvencionalne metode usporedbe lako prepoznale. Njezina važnost proteže se izvan lisnih uši.

Drugi biološki sustavi također sadrže proteine ​​koji se brzo razvijaju i koje je i dalje teško karakterizirati. Kombiniranje laboratorijskih mjerenja, genetskog sekvenciranja, evolucijske analize i predviđanja umjetne inteligencije može pomoći istraživačima da učinkovitije istraže te molekule. Ipak, predviđene strukture nisu zamjena za eksperimentalne dokaze.

Istraživanje pokazuje da umjetna inteligencija može postati učinkovitija kada istraživači pruže pravi biološki kontekst. Kombiniranjem eksperimentalno određenih struktura s genetskim informacijama iz više vrsta lisnih uši, tim je otkrio zajednički nacrt skriven ispod opsežnih varijacija proteina.

Sljedeći izazov je utvrditi kako te molekule utječu na biljne stanice i odgovaraju li njihove raznolike strukture različitim biološkim ulogama. Kako se istraživanje nastavlja, studija bi mogla pomoći znanstvenicima da bolje razumiju složene interakcije biljaka, a istovremeno pokazati kako evolucijsko znanje može ojačati otkrića potpomognuta umjetnom inteligencijom.