Ang kasalukuyang pandemya ng COVID-19 ay lumikha ng maraming problema na ikinatutuwang atakehin ng mga hacker. Mula sa 3D printed face shields at homemade medical masks hanggang sa pagpapalit ng full mechanical ventilator, ang daloy ng mga ideya ay nagbibigay inspirasyon at nakakapagpainit ng puso. Kasabay nito, may mga pagtatangka na sumulong sa ibang lugar: sa pananaliksik na naglalayong labanan ang virus mismo.
Tila, ang pinakamalaking potensyal para sa pagpapahinto sa kasalukuyang pandemya at pag-iwas sa lahat ng mga kasunod ay nakasalalay sa isang diskarte na sumusubok na makarating sa pinaka-ugat ng problema. Ang diskarteng ito na "kilalanin ang iyong kaaway" ay kinukuha ng proyekto ng Folding@Home computing. Milyun-milyong tao ang nag-sign up sa proyekto at nag-donate ng ilan sa kapangyarihan sa pagproseso ng kanilang mga processor at GPU, kaya lumilikha ng pinakamalaking [naipamahagi] supercomputer sa kasaysayan.
Ngunit para saan ba talaga ginagamit ang lahat ng mga exaflop na ito? Bakit kailangang itapon ang naturang computing power sa
Una, ang pinakamahalagang bagay: bakit kailangan ang mga protina?
Ang mga protina ay mahahalagang istruktura. Hindi lamang sila nagbibigay ng materyal na gusali para sa mga selula, ngunit nagsisilbi rin bilang mga katalista ng enzyme para sa halos lahat ng mga reaksiyong biochemical. Mga ardilya, maging sila
Upang maunawaan kung paano nakukuha ng mga protina ang istraktura na tumutukoy sa kanilang paggana, kailangan nating suriin ang mga pangunahing kaalaman ng molecular biology at ang daloy ng impormasyon sa cell.
Produksyon, o
Ang mga ribosome ay kumikilos tulad ng mga makina ng pagpupulong - kinukuha nila ang template ng mRNA at itinutugma ito sa iba pang maliliit na piraso ng RNA,
Ang pagkakasunud-sunod ng mga amino acid na ito ay ang unang antas ng hierarchy ng istruktura ng protina, kaya naman tinawag itong
Long-range na mga bono ng mga bahagi ng protina
Ang susunod na antas ng three-dimensional na istraktura, na lampas sa pangunahing isa, ay binigyan ng isang matalinong pangalan
Mga alpha helice at beta sheet sa mga protina. Ang mga hydrogen bond ay nabuo sa panahon ng pagpapahayag ng protina.
Ang dalawang istrukturang ito at ang kanilang mga kumbinasyon ay bumubuo sa susunod na antas ng istraktura ng protina -
Gayundin, ang katatagan ng mga istrukturang tersiyaryo ay sinisiguro ng mga pangmatagalang mga bono sa pagitan ng mga amino acid. Ang isang klasikong halimbawa ng gayong mga koneksyon ay
Ang tersiyaryong istraktura ay nagpapatatag sa pamamagitan ng pangmatagalang pakikipag-ugnayan tulad ng hydrophobicity o disulfide bond
Ang mga bono ng disulfide ay maaaring mangyari sa pagitan
Pagmomodelo ng mga istruktura sa paghahanap ng lunas para sa sakit
Nagsisimulang matiklop ang mga polypeptide chain sa kanilang huling hugis sa panahon ng pagsasalin, habang ang lumalagong chain ay lumalabas sa ribosome, katulad ng isang piraso ng memory-alloy wire na maaaring magkaroon ng mga kumplikadong hugis kapag pinainit. Gayunpaman, gaya ng nakasanayan sa biology, ang mga bagay ay hindi ganoon kadali.
Sa maraming mga cell, ang mga na-transcribe na gene ay sumasailalim sa malawak na pag-edit bago ang pagsasalin, na makabuluhang nagbabago sa pangunahing istraktura ng protina kumpara sa purong base sequence ng gene. Sa kasong ito, ang mga mekanismo ng pagsasalin ay madalas na humihingi ng tulong ng mga molecular chaperone, mga protina na pansamantalang nagbubuklod sa nascent polypeptide chain at pinipigilan itong kumuha ng anumang intermediate form, kung saan hindi na sila makakapatuloy sa pangwakas.
Ito ay upang sabihin na ang paghula sa huling hugis ng isang protina ay hindi isang maliit na gawain. Sa loob ng mga dekada, ang tanging paraan upang pag-aralan ang istruktura ng mga protina ay sa pamamagitan ng mga pisikal na pamamaraan tulad ng X-ray crystallography. Ito ay hindi hanggang sa huling bahagi ng 1960s na ang mga biophysical chemist ay nagsimulang bumuo ng mga computational na modelo ng pagtitiklop ng protina, pangunahing nakatuon sa pangalawang pagmomolde ng istraktura. Ang mga pamamaraang ito at ang mga inapo ng mga ito ay nangangailangan ng napakalaking halaga ng input data bilang karagdagan sa pangunahing istraktura - halimbawa, mga talahanayan ng mga anggulo ng bono ng amino acid, mga listahan ng hydrophobicity, mga naka-charge na estado, at maging ang konserbasyon ng istraktura at paggana sa mga evolutionary timescale - lahat upang hulaan kung ano ang mangyayari mukhang ang huling protina.
Ang mga computational na pamamaraan ngayon para sa pangalawang paghula ng istraktura, tulad ng mga tumatakbo sa Folding@Home network, ay gumagana nang may humigit-kumulang 80% na katumpakanβna medyo maganda kung isasaalang-alang ang pagiging kumplikado ng problema. Ang data na nabuo ng mga predictive na modelo sa mga protina tulad ng SARS-CoV-2 spike protein ay ihahambing sa data mula sa mga pisikal na pag-aaral ng virus. Bilang resulta, posible na makuha ang eksaktong istraktura ng protina at, marahil, maunawaan kung paano nakakabit ang virus sa mga receptor.
Ang pananaliksik sa pagtitiklop ng protina ay nasa puso ng aming pag-unawa sa napakaraming sakit at impeksyon na kahit na ginagamit namin ang Folding@Home network upang malaman kung paano talunin ang COVID-19, na nakita naming sumabog sa paglago kamakailan, nanalo ang network. t maging idle nang matagal. trabaho. Ito ay isang tool sa pagsasaliksik na angkop para sa pag-aaral ng mga pattern ng protina na sumasailalim sa dose-dosenang mga sakit na nauugnay sa misfolding ng protina, tulad ng Alzheimer's disease o isang variant ng Creutzfeldt-Jakob disease, na kadalasang hindi wastong tinatawag na mad cow disease. At kapag ang isa pang virus ay hindi maiiwasang lumitaw, kami ay magiging handa upang simulan muli itong labanan.
Pinagmulan: www.habr.com