De huidige COVID-19-pandemie heeft veel problemen veroorzaakt die hackers graag aanvallen. Van 3D-geprinte gelaatsschermen en zelfgemaakte medische maskers tot het vervangen van een volledig mechanisch beademingsapparaat: de stroom aan ideeën was inspirerend en hartverwarmend. Tegelijkertijd waren er pogingen om op een ander gebied vooruitgang te boeken: in onderzoek gericht op de bestrijding van het virus zelf.
Blijkbaar ligt het grootste potentieel om de huidige pandemie te stoppen en alle daaropvolgende pandemieën te overtreffen, in een aanpak die probeert tot de wortel van het probleem door te dringen. Deze “ken je vijand”-benadering wordt gevolgd door het Folding@Home computerproject. Miljoenen mensen hebben zich bij het project aangesloten en doneren een deel van de verwerkingskracht van hun processors en GPU's, waardoor de grootste [gedistribueerde] supercomputer in de geschiedenis ontstaat.
Maar waar worden al deze exaflops precies voor gebruikt? Waarom is het nodig om zoveel rekenkracht in te zetten?
Allereerst het allerbelangrijkste: waarom zijn eiwitten nodig?
Eiwitten zijn vitale structuren. Ze leveren niet alleen bouwmateriaal voor cellen, maar dienen ook als enzymkatalysatoren voor vrijwel alle biochemische reacties. Eekhoorns, zij het
Om te begrijpen hoe eiwitten de structuur verwerven die hun functie bepaalt, moeten we de basisbeginselen van de moleculaire biologie en de informatiestroom in de cel bespreken.
Productie, of
Ribosomen gedragen zich als assemblagemachines: ze nemen de mRNA-sjabloon en matchen deze met andere kleine stukjes RNA.
Deze reeks aminozuren is het eerste niveau van de structurele hiërarchie van eiwitten, vandaar de naam
Langeafstandsbindingen van eiwitdelen
Het volgende niveau van driedimensionale structuur, dat verder ging dan het primaire, kreeg een slimme naam
Alfahelices en bètavellen in eiwitten. Tijdens de eiwitexpressie vormen zich waterstofbruggen.
Deze twee structuren en hun combinaties vormen het volgende niveau van de eiwitstructuur:
Ook wordt de stabiliteit van tertiaire structuren verzekerd door langeafstandsbindingen tussen aminozuren. Een klassiek voorbeeld van dergelijke verbindingen is
De tertiaire structuur wordt gestabiliseerd door interacties over lange afstanden, zoals hydrofobiciteit of disulfidebindingen
Er kunnen disulfidebindingen tussen voorkomen
Het modelleren van structuren op zoek naar een geneesmiddel voor ziekten
Polypeptideketens beginnen zich tijdens de translatie in hun uiteindelijke vorm te vouwen, terwijl de groeiende keten het ribosoom verlaat, net zoals een stuk geheugenlegeringsdraad bij verhitting complexe vormen kan aannemen. Maar zoals altijd in de biologie zijn de zaken niet zo eenvoudig.
In veel cellen ondergaan getranscribeerde genen een uitgebreide bewerking voordat ze worden vertaald, waardoor de basisstructuur van het eiwit aanzienlijk verandert in vergelijking met de pure basensequentie van het gen. In dit geval roepen translationele mechanismen vaak de hulp in van moleculaire chaperonnes, eiwitten die zich tijdelijk binden aan de opkomende polypeptideketen en voorkomen dat deze een tussenvorm aanneemt, van waaruit ze dan niet naar de laatste kunnen overgaan.
Dit alles wil zeggen dat het voorspellen van de uiteindelijke vorm van een eiwit geen triviale taak is. Decennia lang was de enige manier om de structuur van eiwitten te bestuderen het gebruik van fysieke methoden zoals röntgenkristallografie. Pas eind jaren zestig begonnen biofysische scheikundigen computationele modellen voor de vouwing van eiwitten te bouwen, waarbij ze zich voornamelijk concentreerden op het modelleren van secundaire structuren. Deze methoden en hun nakomelingen vereisen enorme hoeveelheden invoergegevens naast de primaire structuur – bijvoorbeeld tabellen met aminozuurbindingshoeken, lijsten met hydrofobiciteit, geladen toestanden en zelfs behoud van structuur en functie over evolutionaire tijdschalen – allemaal om raad eens wat er zal gebeuren, het lijkt op het uiteindelijke eiwit.
De huidige computationele methoden voor het voorspellen van secundaire structuren, zoals die op het Folding@Home-netwerk, werken met een nauwkeurigheid van ongeveer 80%, wat behoorlijk goed is gezien de complexiteit van het probleem. Gegevens gegenereerd door voorspellende modellen over eiwitten zoals het SARS-CoV-2-spike-eiwit zullen worden vergeleken met gegevens uit fysieke studies van het virus. Als gevolg hiervan zal het mogelijk zijn om de exacte structuur van het eiwit te achterhalen en misschien te begrijpen hoe het virus zich aan receptoren hecht.
Onderzoek naar eiwitvouwing vormt de kern van ons begrip van zoveel ziekten en infecties dat zelfs als we het Folding@Home-netwerk gebruiken om erachter te komen hoe we COVID-19 kunnen verslaan, dat we de laatste tijd in groei hebben zien exploderen, het netwerk heeft gewonnen. Blijf niet lang stil. Het is een onderzoeksinstrument dat zeer geschikt is voor het bestuderen van de eiwitpatronen die ten grondslag liggen aan tientallen eiwitmisvouwziekten, zoals de ziekte van Alzheimer of de variant van de ziekte van Creutzfeldt-Jakob, die vaak ten onrechte de gekkekoeienziekte wordt genoemd. En als er onvermijdelijk een nieuw virus opduikt, zullen we klaar zijn om het opnieuw te bestrijden.
Bron: www.habr.com