జీవశాస్త్రంలో, లిగాండ్‌లు అని పిలువబడే అణువులకు సెల్యులార్ ప్రోటీన్ల బంధం సెల్ సిగ్నలింగ్ మరియు ఎంజైమాటిక్ చర్యతో సహా జీవితానికి అవసరమైన అనేక విధులను ఉత్పత్తి చేస్తుంది. బయోటెక్నాలజీ మరియు మెడిసిన్‌లో, బైండింగ్ అనుబంధం మరియు నిర్దిష్టతపై నియంత్రణను మెరుగుపరచడానికి ప్రోటీన్‌లను మార్చగల పరిశోధకుల సామర్థ్యం తగ్గిన దుష్ప్రభావాలు, అత్యంత సున్నితమైన రోగనిర్ధారణ సాధనాలు, సమర్థవంతమైన బయోక్యాటాలిసిస్, టార్గెటెడ్ డ్రగ్ డెలివరీ సిస్టమ్‌లు మరియు స్థిరమైన బయోరెమిడియేషన్ సొల్యూషన్‌లతో అనుకూలమైన చికిత్సా విధానాలను సృష్టించగలదు.
అటువంటి ప్రోటీన్ పునఃరూపకల్పనకు వివిధ విధానాలు లోపాలను కలిగి ఉన్నాయి. సాంప్రదాయ పద్ధతులలో సమయం తీసుకునే ట్రయల్ మరియు ఎర్రర్ ప్రయత్నాలు ఉన్నాయి మరియు గణన రూపకల్పనలో అభివృద్ధి చెందుతున్న అనేక నమూనాలు ప్రోటీన్ నిర్మాణం మరియు లిగాండ్ బంధించే జేబు గురించి విస్తృతమైన సమాచారాన్ని కోరుతున్నాయి.
బర్మింగ్‌హామ్‌లోని అలబామా విశ్వవిద్యాలయం నుండి ట్రూంగ్ సన్ హై, Ph.D. నేతృత్వంలోని పరిశోధకులు, లిగాండ్-బైండింగ్ ప్రోటీన్ల పునఃరూపకల్పనను వేగవంతం చేయడానికి కృత్రిమ మేధస్సును ఉపయోగించే ProteinReDiff అని పిలిచే సరళీకృత పద్ధతిని అందిస్తారు.
“మా ఫ్రేమ్‌వర్క్ వివరణాత్మక నిర్మాణ సమాచారంపై ఆధారపడకుండా హై-అఫినిటీ లిగాండ్-బైండింగ్ ప్రోటీన్ల రూపకల్పనను అనుమతిస్తుంది” అని UAB డిపార్ట్‌మెంట్ ఆఫ్ కంప్యూటర్ సైన్స్‌లో అసిస్టెంట్ ప్రొఫెసర్ హై అన్నారు. “మేము కేవలం ప్రారంభ ప్రోటీన్ సీక్వెన్సులు మరియు లిగాండ్ స్మైల్స్ స్ట్రింగ్‌లపై ఆధారపడతాము.”
SMILES లేదా సింప్లిఫైడ్ మాలిక్యులర్ ఇన్‌పుట్ లైన్ ఎంట్రీ సిస్టమ్ అనేది కంప్యూటర్-రీడబుల్ ASCII అక్షరాలను మాత్రమే ఉపయోగించి అణువుల నిర్మాణం యొక్క దీర్ఘకాల వివరణ.
“మా పద్ధతి యొక్క ముఖ్య లక్షణం బ్లైండ్ డాకింగ్, ఇది ముందే నిర్వచించబడిన బైండింగ్ సైట్ సమాచారం అవసరం లేకుండా పునఃరూపకల్పన చేయబడిన ప్రోటీన్ దాని లిగాండ్‌తో ఎలా సంకర్షణ చెందుతుందో అంచనా వేస్తుంది” అని హై చెప్పారు. “ఈ స్ట్రీమ్‌లైన్డ్ విధానం వివరణాత్మక నిర్మాణాత్మక డేటాపై ఆధారపడటాన్ని గణనీయంగా తగ్గిస్తుంది, తద్వారా ప్రోటీన్-లిగాండ్ పరస్పర చర్యల యొక్క క్రమం-ఆధారిత అన్వేషణకు పరిధిని విస్తరిస్తుంది.”
పరిశోధకులు — Viet Thanh Duy Nguyen, FPT సాఫ్ట్‌వేర్ AI సెంటర్, హో చి మిన్ సిటీ, వియత్నాం మరియు Nhan D. న్గుయెన్, చికాగో విశ్వవిద్యాలయం, ప్రొటీన్‌ల యొక్క అనేక తెలిసిన నిర్మాణాలు మరియు వాటి బంధన లిగాండ్‌లపై కృత్రిమ మేధస్సు ఫ్రేమ్‌వర్క్ ProteinReDiffకు శిక్షణ ఇచ్చారు. అమైనో ఆమ్లాలను యాదృచ్ఛికంగా మాస్కింగ్ చేయడం ద్వారా మరియు లిగాండ్ మరియు ప్రోటీన్ కాంప్లెక్స్ కన్ఫర్మేషన్‌ల ఉమ్మడి పంపిణీని సంగ్రహించడానికి డిఫ్యూజన్ మోడల్‌ను సమానంగా నిర్వీర్యం చేయడం ద్వారా వారు ఎంచుకున్న ప్రోటీన్-లిగాండ్ జతలను పునఃరూపకల్పన చేయగలిగారు.
హై మరియు సహోద్యోగులు ఇన్‌పుట్ మరియు అవుట్‌పుట్ లక్షణాలు మరియు ఎంచుకున్న లిగాండ్-ప్రోటీన్ జతల నుండి ప్రోటీన్ల మెరుగైన లిగాండ్-బైండింగ్ ఆధారంగా ఎనిమిది ఇతర గణన ప్రోటీన్ డిజైన్ నమూనాలతో ProteinReDiffని పోల్చారు.
ఇన్‌పుట్ లక్షణాలకు సంబంధించి, ఎనిమిది పోలిక నమూనాలలో ఆరు ఇన్‌పుట్‌లలో ఒకటిగా ప్రోటీన్ నిర్మాణ సమాచారంపై ఆధారపడి ఉన్నాయి; ProteinReDiff మరియు DPL అనే మోడల్ మాత్రమే ప్రోటీన్ సీక్వెన్స్ మరియు లిగాండ్ స్మైల్స్ ఇన్‌పుట్‌లపై ఆధారపడి ఉన్నాయి. అవుట్‌పుట్‌లకు సంబంధించి, ProteinReDiff మాత్రమే కొత్త ప్రోటీన్ డిజైన్‌లను ఉత్పత్తి చేసింది, ఇందులో ప్రోటీన్ సీక్వెన్స్, ప్రోటీన్ స్ట్రక్చర్ మరియు లిగాండ్ స్ట్రక్చర్ ఉన్నాయి.
పనితీరుకు సంబంధించి, ProteinReDiff ద్వారా ఉత్పత్తి చేయబడిన ఎంచుకున్న ప్రోటీన్-లిగాండ్ జతల నుండి పునఃరూపకల్పన చేయబడిన ప్రోటీన్లు మరియు ఎనిమిది ఇతర ప్రోటీన్ డిజైన్ నమూనాలు లిగాండ్ బైండింగ్ అనుబంధం, అమైనో ఆమ్ల శ్రేణి వైవిధ్యం మరియు నిర్మాణ సంరక్షణ కోసం పోల్చబడ్డాయి. ఇతర మోడళ్లతో పోలిస్తే, ప్రొటీన్‌రెడిఫ్ లిగాండ్ బైండింగ్ అనుబంధంలో మెరుగైన మెరుగుదలని అందించింది.
“మా మోడల్ కేవలం ప్రారంభ ప్రోటీన్ సీక్వెన్సులు మరియు లిగాండ్ స్మైల్స్ స్ట్రింగ్‌ల ఆధారంగా లిగాండ్ బైండింగ్ అనుబంధాన్ని ఆప్టిమైజ్ చేయడంలో అద్భుతంగా ఉంది, వివరణాత్మక స్ట్రక్చరల్ డేటా అవసరాన్ని దాటవేస్తుంది” అని హై చెప్పారు. “ఈ పరిశోధనలు ప్రోటీన్-లిగాండ్ కాంప్లెక్స్ మోడలింగ్ కోసం కొత్త అవకాశాలను తెరుస్తాయి, వివిధ బయోటెక్నాలజికల్ మరియు ఫార్మాస్యూటికల్ అప్లికేషన్‌లలో ProteinReDiff కోసం గణనీయమైన సామర్థ్యాన్ని సూచిస్తాయి.”
ProteinReDiff అంటే డిఫ్యూజన్ మోడల్స్ ఆధారంగా ప్రొటీన్ రీడిజైన్, మరియు ఇది కంప్యూటర్ ఆధారిత ప్రోటీన్ ఫోల్డింగ్ యొక్క AlphaFold2 ఆర్కిటెక్చర్ నుండి ప్రాతినిధ్య అభ్యాస మాడ్యూల్స్ ద్వారా ప్రేరణ పొందిన కీలక మెరుగుదలలను కలిగి ఉంటుంది. ఈ మాడ్యూల్స్ ProteinReDiff ఫ్రేమ్‌వర్క్‌ను క్లిష్టమైన ప్రోటీన్-లిగాండ్ ఇంటరాక్షన్‌లను సంగ్రహించడానికి, బైండింగ్ అనుబంధ అంచనాల విశ్వసనీయతను మెరుగుపరచడానికి మరియు లిగాండ్-బైండింగ్ ప్రోటీన్ల యొక్క మరింత ఖచ్చితమైన రీడిజైన్‌లను ప్రారంభించేందుకు అనుమతిస్తాయి.
