Ett proteins vikningsmönster hjälper dem att utföra sina dedikerade uppgifter. Som cellens verkliga "görare", även en liten förändring i ett proteins aminosyraryggrad kan orsaka felveckning och hindra proteinets funktion eller orsaka sjukdom. Till exempel, om tau, ett protein som hjälper till att stabilisera strukturen i hjärnceller, är felstavat, det kan bilda tau-trassel, som vanligtvis ses hos Alzheimers patienter.

Forskare försöker bättre förstå proteinvikning för att bota missvikande sjukdomar, men denna otroligt komplexa process kräver sofistikerade algoritmer för att identifiera vikningsmekanismerna. Beräkningsbiofysiker från Tata Institute of Fundamental Research Hyderabad (TIFR-H) har föreslagit ett nytt sätt att identifiera de mest avgörande faktorerna för proteinflingning. De demonstrerade den korta simuleringstiden för deras tillvägagångssätt på ett litet men spännande protein, "GB1 beta-hårnål, "i The Journal of Chemical Physics , från AIP Publishing.

"Genom att kombinera en metod som kallas" Tidsstrukturbaserad oberoende komponentanalys "(TICA) med korta molekylära dynamiksimuleringar, vi har hittat fyra fysiskt meningsfulla mellanliggande vikningslägen, inte observerats tidigare, och visade spiralformiga tillstånd som vanligtvis inte kan detekteras med andra metoder, "sa Navjeet Ahalawat, en författare på tidningen.

Varje atom i ett protein kan vikas i tre dimensioner, men med miljontals atomer närvarande i även enkla proteiner, uppgiften att förstå den kollektiva vikningskombinationen blir invecklad. Forskare har övervägt de olika faktorerna som påverkar proteinvikning, såsom vätebindning, och kombinerade dessa till allmänna beskrivningar som kallas kollektiva variabler (CV). Dock, med många potentiella faktorer, forskare saknar ett bra sätt att hitta CV:er som på lämpligt sätt beskriver en genomförbar process.

"Det finns många sätt proteiner kan gå från veckade till vikta tillstånd, så det mest utmanande är att bestämma var man ska börja, "Sa Ahalawat. Jagannath Mondal, en annan författare på tidningen, tillade att det var lätt att "gå vilse i data."

Teamet bestämde sig för att studera GB1 -proteinets utstickande hårnål på grund av det stora antalet befintliga arbeten och många potentiella vikningsmöjligheter som redan beräknats i tidigare CV. Ahalawat och Mondal tog ett antal befintliga GB1 -CV:er som ingående CV:er och kombinerade dem linjärt med hjälp av TICA för att identifiera ett par "optimerade" CV:er. Sedan, de matade in de optimerade CV:erna i Markov State Model och identifierade fyra mellanliggande vikningslägen tillsammans med de möjliga anslutningsvägarna.

"Vi frågade, Vilka är de funktioner som uppskattats tidigare för detta protein som verkligen kan spela en nyckelroll i systemet? Och kan vi hitta den rätta kombinationen av förhållanden? "Sade Ahalawat." I vårt arbete kan vi nu kvantitativt berätta om den funktionen alls är relevant för processen. "

"Med hjälp av korta simuleringar, vi har kommit fram till vikten som du verkligen behöver använda i en kombination, och detta ger rätt vikningsmönster för ett protein, "Tillade Mondal." Det är ett riktigt billigt sätt att räkna ut proteinvikning. "

I deras metod, data från tidigare studier behövs för att identifiera optimala CV:er. Teamet föreställer sig att deras teknik kan användas för att avslöja den inre mekanismen för hälsosam proteinveckning för att korrigera sjukdomar som orsakar felveckade proteiner. De vill också vidareutveckla sin CV -optimeringsmetod och tillämpa dem i biomolekylär igenkänning och upptäckt av läkemedel. "I framtiden planerar vi att införliva olinjära metoder, använda neuralt nätverksbaserade djupinlärningstekniker för att förbättra vår modell, "Sa Ahalawat.