Perczel András: forradalmi áttörést hoztak a fehérjekutatásban a kémiai Nobel-díj nyertesei
A kémiai Nobel-díj idei kitüntetettjeinek fejlesztéseivel egy minden eddiginél pontosabb fehérjekutató algoritmus jött létre, amely forradalmi áttörést hozott a tudományterületen – hangsúlyozta Perczel András Széchenyi-díjas szerkezeti kémikus és biokémikus, tanszékvezető egyetemi tanár, a Magyar Tudományos Akadémia (MTA) rendes tagja annak kapcsán, hogy David Baker kapja az idei kémiai Nobel-díj egyik felét a számítógépes fehérjetervezésért, másik felén pedig Demis Hassabis és John Jumper osztozik a fehérjeszerkezetek előrejelzéséért.
Perczel András elmondta: a földi élethez nélkülözhetetlenek a fehérjék, térbeli szerkezetük feltárásán sok éve dolgoznak a molekuláris biológiával foglalkozó kutatók. Ezek megismerése nélkülözhetetlen egyebek mellett a biológiai folyamatok megértéséhez, a gyógyszerek fejlesztéséhez, környezetvédelmi problémák megoldásához.
Mint hozzátette, a fehérjék térbeli szerkezetének felmérése eddig gyerekcipőben járt, mennyiségi feladatot jelentett a kutatóknak, az elmúlt két évben viszont a mesterséges intelligencia bevonása döbbenetesen nagy ugrást eredményezett ezen a területen.
Kitért arra, hogy a kutatók kísérleti módszereket alkalmaztak a fehérjék térbeli szerkezetének meghatározásához, de ez nagy és időigényes munka volt. Ezzel a módszerrel körülbelül mintegy 200 ezer fehérje térszerkezetét sikerült világszerte meghatározniuk a kutatóknak több évtized alatt.
„Az idén díjazott kutatók forradalmi áttörést hoztak azzal, hogy már az adatgyűjtést megelőzően, a tervezési fázisban lehetővé vált ezekkel a mesterséges intelligencián alapuló algoritmusokkal olyan fehérjeszerkezeteket adni a kezünkbe, amelyek nagyon nagy pontosságúak. Ráadásul mindezt a másodperc tört része alatt kapjuk meg, míg eddig egy-egy kutatócsoport éveken át dolgozott egy-egy fehérje térszerkezetének meghatározásán" – magyarázta.
Kérdésre válaszolva elmondta, hogy ezeket nagyon jól lehet használni például egy-egy gyógyszerhatóanyag tervezése, fehérje-fehérje kölcsönhatás vizsgálata során. Olyan célzott méréseket lehet elvégezni, amelyek során a vélt vagy valós eltéréseket ki lehet mérni, ami nagyon nagy segítség a kutatóknak.
„Ez nemcsak azt jelenti, hogy 'kevesebbet' kell dolgozni, hanem azt is, hogy egy sor olyan problémát el lehet kezdeni boncolgatni, amelyre korábban esély sem volt, amelyre még gondolni sem lehetett" – tette hozzá.
A DeepMind AlphaFold2 programja minden eddiginél pontosabban tárta fel, hogy a fehérjék aminosavsorrendje milyen funkcionális térszerkezetet eredményez. Ez az algoritmus azóta már 200 millió fehérje szerkezetét határozta meg – hangsúlyozta.
David Baker fejlesztésének jelentősége kapcsán kiemelte, hogy ez azért nagyon izgalmas, mert új fehérjék tervezését tette lehetővé. Olyan fehérjéket lehet vele létrehozni, amelyek nem alakultak ki az evolúció során – magyarázta.
Kiemelte, hogy az ELTE-n működő fehérjemodellező kutatócsoportjával is használják a most díjazott módszereket. Részben mesterséges intelligencia módszert alkalmazva és fejlesztve oldottak meg a fehérjetudomány területére eső problémákat, részben pedig a Rosetta program egy változatának a segítségével NMR (nukleáris mágneses rezonancia) szerkezet finomítási feladatokat sikerült elvégezniük.
„Az elmúlt négy év eredményének fényében mindent másként csinálunk, ez hatalmas fordulat és jó lehetőség. Amikor nekiállunk méréseket, elemzéseket végezni, akkor már előre tudjuk a jósolt térszerkezetet és így már célzottabban tudunk kutatni, gyorsabb, hatékonyabb és eredményesebb lesz a munkánk" – fogalmazott, hangsúlyozva, hogy a három kutató által fejlesztetett új szoftverek hatékonyságukon túl régóta húzódó orvostudományi, energiatudományi és technológiai problémákat oldhatnak meg a jövőben.
