Sinqapur Milli Universiteti tərəfindən

Lisa Lock tərəfindən redaktə edilib , Robert Egan tərəfindən nəzərdən keçirilib

 Redaktorların qeydləri

 GIST

Tercih edilən mənbə kimi əlavə edin

Qoşalaşmış protein dili modeli (PPLM) eyni anda iki qarşılıqlı təsir göstərən zülaldan öyrənir və bu da qarşılıqlı təsirin, bağlanma gücünün və qarşılıqlı təsir interfeyslərinin proqnozlaşdırılmasına imkan verir. Mənbə: Sinqapur Milli Universiteti

Tədqiqatçılar zülalların bir-biri ilə necə qarşılıqlı təsir göstərdiyini daha dəqiq proqnozlaşdıra bilən yeni bir süni intellekt (Sİ) modeli hazırlayıblar. Bu model dərmanların kəşfini sürətləndirə və xərçəng kimi xəstəliklər haqqında dərin anlayışlar yarada bilər.

Sinqapur Milli Universitetinin Xərçəng Elmi İnstitutunun (CSI Sinqapur) baş tədqiqatçısı professor Çjan Yanqın rəhbərlik etdiyi və Nature Communications jurnalında dərc olunmuş tədqiqat, iki qarşılıqlı təsir göstərən zülaldan təcrid olunmuş şəkildə təhlil etmək əvəzinə, onları eyni anda öyrənən qoşalaşmış zülal dili modelini (PPLM) təqdim edir. Bu, süni intellektin biologiyaya tətbiqində əhəmiyyətli bir dəyişiklik olduğunu göstərir və demək olar ki, bütün hüceyrə proseslərinin əsasını təşkil edən zülal-zülal qarşılıqlı təsirlərinin daha dəqiq proqnozlaşdırılmasına imkan verir.

Zülal qarşılıqlı təsirlərini anlamağın yeni bir yolu

Zülal-zülal qarşılıqlı təsirləri mahiyyət etibarilə əlaqəlidir, lakin mövcud süni intellekt modellərinin əksəriyyəti tək protein ardıcıllığı üzərində təlim keçib. Bu, onların zülalların bir-birini necə tanıdığını və bir-birinə necə bağlandığını tam şəkildə əks etdirmək qabiliyyətini məhdudlaşdırır.

Bunu həll etmək üçün tədqiqat qrupu təlim zamanı zülallararası əlaqələri öyrənmək üçün xüsusi olaraq hazırlanmış PPLM modelini hazırladı. Cütlənmiş zülal ardıcıllıqlarını birgə kodlaşdırmaqla, PPLM həm fərdi zülal xüsusiyyətlərini, həm də partnyordan asılı qarşılıqlı təsir nümunələrini vahid çərçivədə əks etdirir. Model 3 milyondan çox zülal cütü üzərində təlim keçib və bu da qarşılıqlı təsir nümunələrini miqyasda öyrənməyə imkan verib.

Birdən çox tapşırıq üzrə güclü performans

Bu təməl üzərində qurulmuş komanda üç ixtisaslaşmış alət hazırladı: zülalların qarşılıqlı təsirini proqnozlaşdırmaq üçün PPLM-PPI , bağlanma gücünü qiymətləndirmək üçün PPLM-Affinity və qarşılıqlı təsir interfeyslərini müəyyən etmək üçün PPLM-Contact. Etalon məlumat dəstləri üzrə model, birdən çox növ arasında ardıcıl irəliləyişlərlə, aparıcı metodlarla müqayisədə qarşılıqlı təsir proqnozlaşdırma dəqiqliyini təxminən 17%-ə qədər artırdı.

Xüsusilə, model antikor-antigen qarşılıqlı təsirləri kimi çətin ssenarilərdə həm ardıcıllığa əsaslanan, həm də struktur əsaslı metodlardan daha yaxşı nəticə göstərdi. Bundan əlavə, model zülalların real həyatda qarşılıqlı təsirinə uyğun nümunələr müəyyən etdi ki, bu da zülallar arasında bioloji cəhətdən mənalı əlaqələri ələ keçirə biləcəyini göstərir.

“Bu iş süni intellektin həyat elmlərinin transformasiyasında artan rolunu vurğulayır. Tək zülal analizindən qarşılıqlı təsirə əsaslanan modelləşdirməyə keçməklə, tədqiqat çox zülallı kompleks proqnozlaşdırma, sistem səviyyəli biologiya və süni intellektlə idarə olunan terapevtik dizayn sahəsində gələcək irəliləyişlər üçün zəmin yaradır”, – deyə NUS Yong Loo Lin Tibb Məktəbinin Biokimya kafedrasında və NUS Hesablama Məktəbinin Kompüter Elmləri kafedrasında da vəzifə tutan professor Zhang izah edib.

Ölçülənə bilən və translyasiyaedici təsirə doğru

Zülal qarşılıqlı təsir modelləşdirməsinin dəqiqliyini və miqyaslanabilirliyini artırmaqla, PPLM, proteom miqyaslı qarşılıqlı təsirin kəşfi, dərman hədəfinin müəyyən edilməsi və terapevtik inkişaf da daxil olmaqla geniş tətbiq sahələrini dəstəkləyə bilər.

NUS komandası hazırda struktur və eksperimental məlumatları inteqrasiya etməklə və tətbiqini ev sahibi-patogen qarşılıqlı təsirləri kimi daha mürəkkəb bioloji sistemlərə genişləndirməklə modeli daha da təkmilləşdirmək üzərində işləyir.

Nəşr detalları

Jun Liu və digərləri, Zülal-zülal qarşılıqlı təsirinin modelləşdirilməsi üçün qoşalaşmış ardıcıllıq dili modeli, Nature Communications (2026). DOI: 10.1038/s41467-026-70457-5

Jurnal məlumatları: Nature Communications