تکامل پاتوژن: مدل پیش‌بینی ساختار جدید ۵۰۰ پروتئین حل‌نشده قبلی را ترسیم کرد

منتشر شده در scitechdaily به تاریخ ۲۹ ژانویه ۲۰۲۲
لینک منبع: Pathogen Evolution: New Structure Prediction Model Mapped 500 Previously Unsolved Proteins

دانشمندان دانشگاه کالیفرنیا، برکلی، اخیرا کارهایی را منتشر کرده‌اند که پایه و اساس روش‌های جدید تفکر درباره تکامل پاتوژن را تشکیل می‌دهند. اولین نویسنده مقاله منتشر شده در مجله MPMI، یعنی Kyungyong Seong، می‌گوید: «تحقیق ما نشان می‌دهد که مدل‌سازی بدون قالب که از یادگیری ماشینی استفاده می‌کند، در واقع نسبت به مدل‌سازی مبتنی بر قالب برای پروتئین‌های ترشح‌شده پاتوژن قارچی مخرب، Magnaporthe oryzae، برتری دارد.»

پاتوژن‌ها از فاکتورهای حدت موسوم به عوامل موثر استفاده می‌کنند که برای بقای پاتوژن مهم هستند. مدل‌سازی همسانی یکی از پرکاربردترین روش‌ها است، اما این امر مستلزم استفاده از الگوهای ساختارهای اثرگذار حل‌شده است و حل تمام ساختارهای اثرگذار کار بسیار دلهره‌آوری است. پروتئین‌های اثرگذار زیادی وجود دارند که در ژنوم پاتوژن‌ها کدگذاری می‌شوند تا به سادگی بر حل تجربی هر یک از ساختارها تکیه کنند.

آقای Seong و همکارش Ksenia V. Krasileva از یک روش پیش‌بینی ساختار جدید استفاده کردند که قادر به مدل‌سازی ۵۰۰ پروتئین ترشح‌شده بود که قبلا توسط روش مبتنی بر الگو پیش‌بینی نشده بودند.

به گفته Krasileva: «حدود ۷۰ درصد از ۱،۸۵۴ پروتئین ترشح‌شده در مطالعه ما مدل‌سازی شده‌اند و ساختار آن‌ها یک لایه اطلاعات اضافی در مورد عوامل موثر بر اساس شباهت آن‌ها به یکدیگر یا دیگر ساختارهای پروتئینی حل شده ارائه می‌دهد.» «ما نشان می‌دهیم که روش‌های جدید پیش‌بینی ساختار به خوبی در مساله رمزگشایی عوامل حدت پاتوژن‌ها و سایر پروتئین‌های ترشح‌شده که اغلب شباهت توالی کمی میان خودشان یا سایر پروتئین‌ها دارند، به کار می‌روند.»

این روش جدید به دانشمندان اجازه می‌دهد تا هزاران پروتئین ترشح‌شده را ترسیم کنند و ارتباط تکاملی از دست رفته میان آن‌ها را ایجاد کنند. سیانگ گفت: «ما بر این باوریم که تحقیق ما اولین تحقیقی بود که مفهوم ژنومیک ساختاری را بر روی یک پاتوژن گیاهی در عصر جدید پیش‌بینی ساختار یادگیری ماشینی اعمال کرد.»

کرسیلوا پیش‌بینی کرد: «با بهبود بیشتر دقت پیش‌بینی ساختار، دیدن مقالاتی که داده‌های پیش‌بینی ساختار پروتئین در مقیاس بزرگ را در بر می‌گیرند، معمول‌تر خواهد شد.» «مقاله ما ممکن است برخی از ایده‌ها در مورد نحوه استفاده از چنین داده‌هایی را جرقه بزند و برخی دانشمندان را به سمت کشف فرصت‌ها پیش روی دیگران سوق دهد.»

آن‌ها همچنین دریافتند که بسیاری از عوامل مشابه ساختاری جدید در M. oryzae وجود دارند و عوامل مشابه ساختاری در دیگر عوامل گیاهی یافت می‌شوند. این نشان می‌دهد که عوامل بیماری‌زا ممکن است بر مجموعه‌ای از عوامل تاثیرگذار تکیه کنند که معمولا منشا می‌گیرند اما به‌طور عمده در توالی‌هایی در مسیر تکامل برای آلوده کردن گیاهان از هم جدا می‌شوند.

این متن با استفاده از ربات ‌ترجمه مقالات علمی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.