Proteini su makromolekule koje sudjeluju u gotovo svim biološkim procesima, bilo da se radi o transportu molekula, enzimskoj aktivnosti ili staničnoj signalizaciji. Poznavanje njegove strukture izuzetno je važno za razumijevanje funkcije koju imaju, primjerice na koji će se način vezati na druge vrste molekula, pa čak i kako će reagirati na lijekove.

Ono što je ključno za suvremeno razumijevanje bioloških procesa jest činjenica da proteini imaju trodimenzionalnu strukturu. To znači da je - osim važnih odrednica svakog proteina, poput redoslijeda niza aminokiselina, njihovih gradivnih sastavnica - način na koji se protein 'savije' u trodimenzionalni oblik kritičan čimbenik koji određuje način njegova djelovanja u organizmu.

Eksperimentalne i računalne metode

Pokušaji preciznog predviđanja strukture proteina nisu nepoznat koncept i na tome se radi već desetljećima. Dosadašnji pokušaji uključivali su eksperimentalne metode koje su bile zlatni standard za određivanje strukture proteina, a one uključuju rendgensku kristalografiju – protein bi se kristalizirao, zatim bi se kroz kristal usmjeravale rendgenske zrake i na temelju njihova raspršenja znanstvenici su mogli rekonstruirati trodimenzionalnu strukturu.

Od poznatijih eksperimentalnih metoda izvodila se i nuklearna magnetska rezonancija, pri čemu su korištena magnetska svojstva atoma unutar proteina da bi se odredila njihova struktura u otopini, okolišu prirodnijem za njih. Eksperimentalne metode zahtijevale su vrijeme i resurse, a dodatni problemi odnosili su se na gubitak njihove prirodne strukture prilikom kristalizacije (kristalografija rendgenskim zrakama) i ograničenost na manje proteine uz zahtijevanje vrlo velikih količina čistog proteina (nuklearna magnetska rezonancija).

Osim eksperimentalnim, računalnim se metodama također pokušavala odrediti struktura proteina. Navedene su metode međutim bez uspjeha na razini koja bi bila zadovoljavajuća za praktičnu primjenu. Neka od ograničenja računalnih metoda bila su prevelik broj mogućih konfiguracija proteina zbog dugih lanaca aminokiselina i dugotrajnost procesa unatoč upotrebi velikih računalnih resursa.

Dodatni problem računalnih metoda bio je oslanjanje na fizikalne modele, što je zbog nedostatka korištenja tehnika strojnog učenja značilo da je svako novo predviđanje zahtijevalo puno ručnog rada i optimizacije.

Veća točnost predviđanja strukture proteina

Inovacija koju su donijeli Baker, Hassabis i Jumper odnosi se poglavito na računalni alat AlphaFold, a koji je, koristeći napredne metode strojnog učenja i umjetne inteligencije, dramatično povećao točnost predviđanja strukture proteina. Ovaj sustav omogućio je to u kratkom vremenu te s točnošću usporedivom s eksperimentalnim metodama, što je dotad bilo gotovo nezamislivo. Dok su starije metode bile spore i resursno zahtjevne, AlphaFold može relativno brzo generirati točna predviđanja učeći iz postojećih eksperimentalnih podataka o strukturi proteina te učinivši taj proces dostupnijim i široko primjenjivim.

Osim potencijala za podrobnije razumijevanje fizioloških procesa koji uključuju proteine, ovo dostignuće važno je i za razvoj lijekova. Proteini su često ciljno mjesto za brojne lijekove i njihov oblik određuje način na koji će međudjelovati s njima. Ako je poznata precizna struktura proteina uključenih u bolesti, primjerice u stanjima poput karcinoma ili neurodegenerativnih bolesti, moguće je brže i preciznije razviti lijekove koji će ciljati te proteine. Sve to može značajno smanjiti troškove i vrijeme razvoja lijekova te unaprijediti personalizirani pristup u medicini.

AlphaFold, iako revolucionaran u predviđanju strukture proteina, izazvao je određene kontroverze u znanstvenoj zajednici. Neki znanstvenici ističu nedostatak transparentnosti – primjerice nedostupnost svih algoritama i podataka na kojima se trenira sustav, što bi drugim znanstvenicima moglo otežati repliciranje rezultata i razumijevanje njegova temeljnog rada. Dodatno, kritičari smatraju da je uloga ovog revolucionarnog alata u biomedicini pretjerano istaknuta zato što struktura proteina sama po sebi nije uvijek dovoljna za razvoj novih lijekova. To znači da, iako AlphaFold može ubrzati proces identifikacije ciljeva za lijekove, predviđena struktura ne daje automatski uvid u funkciju ili patološke mehanizme proteina u kompleksnim biološkim procesima.

Zaključno, Baker, Hassabis i Jumper zaslužni su za razvoj sustava koji kombinira informacije o strukturnim karakteristikama proteina kako bi predvidio točne trodimenzionalne strukture s preciznošću usporedivom s eksperimentalnim metodama, ali bez dugotrajnih i skupih laboratorijskih postupaka. Njihov rad predstavlja znanstvenu revoluciju koja je transformirala biološka istraživanja omogućivši brzo, pouzdano i pristupačno predviđanje strukture proteina na način koji je ranije bio nezamisliv. Rješavajući ovaj dugogodišnji grand challenge, osigurali su svoje mjesto među dobitnicima Nobelove nagrade, ostavljajući trajan utjecaj na znanost.