Ερευνητές του Εθνικού Εργαστηρίου Lawrence Livermore (LLNL) και μια πολυϊδρυματική ομάδα επιστημόνων ανέπτυξαν ένα εξαιρετικά λεπτομερές μοντέλο πολλαπλής κλίμακας που υποστηρίζεται από μηχανική μάθηση που αποκαλύπτει τη σημασία των λιπιδίων στη δυναμική σηματοδότησης του RAS, μιας οικογένειας πρωτεϊνών των οποίων οι μεταλλάξεις συνδέονται με πολλές καρκίνους.
Δημοσιεύτηκε από το Proceedings of the National Academy of Sciences, η εργασία περιγράφει λεπτομερώς τη μεθοδολογία πίσω από την Multiscale Machine-Learned Modeling Infrastructure (MuMMI), η οποία προσομοιώνει τη συμπεριφορά των πρωτεϊνών RAS σε μια ρεαλιστική κυτταρική μεμβράνη, τις αλληλεπιδράσεις τους μεταξύ τους και με τα λιπίδια- οργανικές ενώσεις που βοηθούν στη σύνθεση των κυτταρικών μεμβρανών—και στην ενεργοποίηση της σηματοδότησης μέσω της αλληλεπίδρασης του RAS με τις πρωτεΐνες RAF, σε μακρο και μοριακό επίπεδο.
Συζητά επίσης τα ευρήματα της ομάδας από τη χρήση του πλαισίου για τη μοντελοποίηση του τρόπου με τον οποίο το RAS συνδέεται με άλλες πρωτεΐνες και πώς διαφορετικά είδη λιπιδίων υπαγορεύουν τον τρόπο με τον οποίο το RAS συλλέγεται και τοποθετείται στην κυτταρική μεμβράνη. Αξιολογώντας δεκάδες χιλιάδες προσομοιώσεις, η ομάδα κατέγραψε όλες τις προηγούμενες αλληλεπιδράσεις πρωτεϊνών και πολλές ακόμη διεπαφές RAS. Τα δεδομένα υποδεικνύουν ότι τα λιπίδια – αντί για τις διεπαφές πρωτεϊνών – διέπουν τόσο τον προσανατολισμό του RAS όσο και τη συσσώρευση των πρωτεϊνών RAS.
Κανονικά, το RAS λαμβάνει και ακολουθεί σήματα για εναλλαγή μεταξύ ενεργών και ανενεργών καταστάσεων, αλλά καθώς οι πρωτεΐνες κινούνται κατά μήκος της κυτταρικής μεμβράνης – όπως οι μπάλες χορδών που περιστρέφονται κατά μήκος ενός υγρού εδάφους – συνδυάζονται με άλλες πρωτεΐνες και μπορούν να ενεργοποιήσουν τη συμπεριφορά σηματοδότησης. Οι μεταλλαγμένες πρωτεΐνες RAS μπορούν να κολλήσουν σε μια ανεξέλεγκτη, “πάντα ενεργή” κατάσταση ανάπτυξης. Αυτή η κατάσταση ενδείκνυται για το σχηματισμό περίπου 30 τοις εκατό όλων των καρκίνων, ιδιαίτερα του παγκρέατος, του πνεύμονα και του παχέος εντέρου.
Οι ερευνητές είπαν ότι το πλαίσιο MuMMI αντιπροσωπεύει μια «θεμελιωδώς νέα τεχνολογία στην υπολογιστική βιολογία» και θα μπορούσε να χρησιμοποιηθεί για την ενημέρωση νέων πειραμάτων και τη βελτίωση της βασικής κατανόησης των επιστημόνων σχετικά με τη δέσμευση της πρωτεΐνης RAS . Η προηγούμενη επιστημονική βιβλιογραφία έχει προτείνει πολυάριθμους προσανατολισμούς για το πώς συνδυάζεται το RAS, με μια κύρια υπόθεση να είναι ότι υπάρχει κάποια προπαραγγελία πρωτεϊνών RAS στη μεμβράνη πριν από την κατάντη σηματοδότηση.
“Πάντα γνωρίζαμε ότι τα λιπίδια είναι σημαντικά· χρειάζεσαι μερικά από αυτά, διαφορετικά δεν έχεις αυτή τη συμπεριφορά. Αλλά μετά από αυτό, οι επιστήμονες δεν ήξεραν τι ήταν σημαντικό για αυτά”, δήλωσε ο επιστήμονας υπολογιστών LLNL και πρώτος συγγραφέας Helgi Ingolfsson. “Αυτή η εργασία μας δείχνει ότι τα λιπίδια είναι ένας βασικός παράγοντας. Διαμορφώνοντας τα λιπίδια και τα διαφορετικά περιβάλλοντα λιπιδίων, το RAS αλλάζει τον προσανατολισμό του και μπορείτε πραγματικά να αλλάξετε τη σηματοδότηση [μεταξύ “μεγάλω” και “μη μεγαλώνω”] αλλάζοντας τα λιπίδια από κάτω . Τώρα έχουμε ένα τεράστιο δείγμα προσομοιώσεων και μπορούμε να δούμε πώς το RAS αλληλεπιδρά σε όλες τις προσομοιώσεις μας σε διαφορετικές γωνίες. Το μήνυμα είναι ότι ναι, συνενώνονται, αλλά ενώνονται σε κάθε είδους διαφορετικούς προσανατολισμούς.”
Η εργασία αποτελεί μέρος ενός εν εξελίξει πιλοτικού προγράμματος της συνεργασίας Joint Design of Advanced Computing Solutions for Cancer (JDACS4C) μεταξύ του Υπουργείου Ενέργειας, του Εθνικού Ινστιτούτου Καρκίνου (NCI) και άλλων οργανισμών, περιλαμβάνει συν-συγγραφείς στο Frederick National του NCI Εργαστήριο για την Έρευνα Καρκίνου (FNLCR), οι οποίοι εφαρμόζουν ορισμένες από τις γνώσεις που αποκτήθηκαν από το μοντέλο σε εργαστηριακά πειράματα.
Η ικανότητα του MuMMI να παρέχει πληροφορίες σε δύο διαφορετικές χρονικές και χωρικές κλίμακες επέτρεψε στην ομάδα να εξετάσει χιλιάδες διαφορετικές συνθέσεις RAS-λιπιδίων και να παρατηρήσει διαφορετικά μοτίβα αλληλεπίδρασης και πολυάριθμους προσανατολισμούς RAS. Ξεκινώντας με ένα μοντέλο ευρείας μακροκλίμακας, ένας αλγόριθμος μηχανικής μάθησης επέλεξε αυτόματα «μπαλώματα» λιπιδίων που έκρινε αρκετά ενδιαφέροντα για να εξεταστούν πιο προσεκτικά με τις προσομοιώσεις μικρομοντέλων.
Η ομάδα προσομοίωσε ένα έμπλαστρο ένα micron προς ένα micron στον υπερυπολογιστή Sierra του LLNL και παρατήρησε πώς εκατοντάδες διαφορετικές πρωτεΐνες RAS αλληλεπιδρούν με οκτώ είδη λιπιδίων. Δημιούργησαν περισσότερες από 100.000 μικρότερες μοριακές δυναμικές προσομοιώσεις από επιλεγμένα από τη μηχανική μάθηση «ενδιαφέροντα» στιγμιότυπα της προσομοίωσης του μεγαλύτερου μακρομοντέλου, επιτρέποντάς τους να προσδιορίσουν τις πιθανότητες σύνδεσης του RAS σε άλλες πρωτεΐνες με δεδομένο προσανατολισμό σε μια κυτταρική μεμβράνη.
Οι επιστήμονες στο FNLCR πραγματοποίησαν τα πειράματα μικροσκοπίας, βιοφυσικής, βιοχημικής και δομικής βιολογίας που απαιτούνται για την παραμετροποίηση των προσομοιώσεων. Σε συνδυασμό με πειραματικά αποτελέσματα, η εργασία καταδεικνύει την ισχυρή σχέση μεταξύ των λιπιδίων και του προσανατολισμού του RAS και της πιθανότητας δέσμευσης. Οι ερευνητές βρήκαν ότι μόνο συγκεκριμένοι προσανατολισμοί RAS θα μπορούσαν να συνδεθούν με άλλες πρωτεΐνες για να προκαλέσουν σηματοδοτική συμπεριφορά και ότι η πιθανότητα δέσμευσης εξαρτάται από τα λιπίδια – γνωρίζοντας μόνο τις λιπιδικές συνθέσεις, οι επιστήμονες μπορούσαν να προβλέψουν τον προσανατολισμό του RAS στη μεμβράνη με υψηλή πιστότητα.
“Οι επιστήμονες γνωρίζουν ότι το RAS πρέπει να δημιουργήσει το σήμα και ξέρουν ότι το RAS πρέπει να συναντήσει ένα άλλο RAS, αλλά δεν ξέρουν γιατί και δεν ξέρουν απαραίτητα πώς σε ατομικό επίπεδο”, δήλωσε ο συν-συγγραφέας και LLNL Biochemical. και η επικεφαλής της ομάδας Biophysical Systems Felice Lightstone. “Οι πληροφορίες εδώ επιβεβαίωσαν πειραματικά αποτελέσματα που είναι πάντα αμφιλεγόμενα όταν δεν έχετε πραγματικά ακριβείς μετρήσεις. Για να συνεχιστεί η διαδρομή σηματοδότησης RAS, πρέπει να συνδεθείτε σε ένα RAF και ορισμένοι προσανατολισμοί καθιστούν αδύνατη τη σύνδεση και τη συνέχιση του σήματος. “
Παραδοσιακά, οι επιστήμονες προσομοιώνουν μόνο έναν μικρό, σταθερό αριθμό πρωτεϊνών και μία λιπιδική σύνθεση, εξήγησε ο Ingolfsson, και πρέπει να γνωρίζουν ποια λιπίδια είναι σημαντικό να μοντελοποιηθούν εκ των προτέρων. Με το MuMMI, οι ερευνητές μπορούν να προσομοιώσουν χιλιάδες διαφορετικές κυτταρικές συνθέσεις που προέρχονται από το μακρομοντέλο, επιτρέποντας στους επιστήμονες να απαντήσουν σε ερωτήσεις σχετικά με τις αλληλεπιδράσεις RAS-λιπιδίων που θα μπορούσαν να είναι δυνατές μόνο με μια προσομοίωση πολλαπλής κλίμακας, είπαν οι ερευνητές. Στο μέλλον, είπε ο Ingolfsson, οι επιστήμονες δεν θα κάνουν μία προσομοίωση τη φορά, αλλά ένα ολόκληρο σύνολο προσομοιώσεων, επιλέγοντας τις πιο ενδιαφέρουσες περιοχές με αλγόριθμους μηχανικής μάθησης.
«Δείχνουμε ότι ο παλιός τρόπος να κάνουμε πράγματα έχει αρχίσει να είναι ξεπερασμένος», είπε ο Ingolfsson. «Στο Livermore, έχουμε τεράστια υπολογιστική ισχύ, έχουμε πολλούς ανθρώπους που εργάζονται σε αυτό και μπορούμε να δείξουμε τι μπορεί να είναι δυνατό».
Οι ερευνητές είπαν ότι οι πληροφορίες από το MuMMI θα είναι επίσης χρήσιμες για τους πειραματιστές, οι οποίοι γενικά περιορίζονται στη δοκιμή ενός ή δύο τύπων λιπιδίων λόγω κόστους ή πολυπλοκότητας. Οι πειραματιστές χρησιμοποιούν συνήθως κανονικά κελιά, τα οποία περιλαμβάνουν τα πάντα, ή δημιουργούν απλά συστήματα μοντέλων που δεν καταγράφουν όλα τα απαραίτητα δεδομένα, είπε ο Lightstone. Με το μοντέλο πολλαπλής κλίμακας, η ομάδα μπορεί να δημιουργήσει νέες υποθέσεις που μπορούν να δοκιμάσουν οι πειραματιστές, όπως η εξέταση της επίδρασης των λιπιδίων στον καρκίνο ή η εύρεση νέων διαγνωστικών εργαλείων.
«Είμαστε σε θέση να διασπάσουμε τους σημαντικούς ή ασήμαντους τύπους λιπιδίων, που είναι ένας μεγάλος λόγος για τον οποίο τα πειράματα στο παρελθόν είχαν αντικρουόμενα αποτελέσματα», είπε ο Lightstone. «Αυτό το μοντέλο δημιουργεί νέα πράγματα που μπορούμε να δούμε και να προσπαθήσουμε να κατανοήσουμε τον καρκίνο, ο οποίος είναι πολύ περίπλοκος και δεν πιστεύεται πλέον ότι είναι μια μοναδική ασθένεια, αλλά μια συλλογή ασθενειών».
Τα δεδομένα που δημιουργήθηκαν από τις προσομοιώσεις οδήγησαν σε ευρήματα, προβλέψεις και υποθέσεις που δοκιμάστηκαν και επικυρώθηκαν μέσω πειραμάτων στο FNLCR. Οι ερευνητές του καρκίνου προσδιορίζουν ότι οι συνθέσεις κάνουν τη διαφορά.
«Οι προσομοιώσεις δημιούργησαν πληροφορίες για τις μοριακές λεπτομέρειες της διαδικασίας με την οποία το KRAS προάγει τον καρκίνο», δήλωσε ο Διευθυντής του Τεχνολογικού Προγράμματος Έρευνας Καρκίνου του FNLCR, Dwight Nissley, επικεφαλής του NCI για το έργο JDACS4C Pilot 2. «Περαιτέρω μελέτες θα επικεντρωθούν σε μηχανισμούς έναρξης καρκίνου που μπορεί να αποκαλύψουν νέες θεραπευτικές ευκαιρίες».
Η γνώση που αποκτήθηκε από τα πειράματα θα ανατροφοδοτήσει το μοντέλο MuMMI που βασίζεται στη μηχανική μάθηση, δημιουργώντας έναν βρόχο επικύρωσης που θα το κάνει πιο ακριβές, είπαν οι ερευνητές.
Η εργασία συνεχίστηκε με δύο ακόμη καμπάνιες, προσθέτοντας πρωτεΐνες RAF, διαφορετικές παραλλαγές RAS και υπολογιστικές προόδους, συμπεριλαμβανομένης μιας νέας μεγάλης κανονικής έκδοσης του μακρομοντέλου, ενός νέου αλγόριθμου μηχανικής μάθησης που μπορεί να χειριστεί διαφορετικές περιπτώσεις και ένα επιπλέον τρίτο μοντέλο με όλα τα άτομα κλίμακα. Η τελευταία εξέλιξη αποτελεί αντικείμενο μελλοντικών δημοσιεύσεων, συμπεριλαμβανομένης μιας πρόσφατης εργασίας που περιγράφει την ενημερωμένη ροή εργασίας, η οποία δημοσιεύτηκε από το 2021 International Conference for High Performance Computing, Networking, Storage and Analysis (SC21).
Οι ερευνητές είπαν ότι το πλαίσιο MuMMI θα μπορούσε επίσης να χρησιμοποιηθεί για άλλα συστήματα προσομοίωσης και έχουν καταστήσει τη μεθοδολογία διαθέσιμη ως λογισμικό ανοιχτού κώδικα στο Github για άλλες ομάδες για να αναπτύξουν τις δικές τους μεθόδους πολλαπλής κλίμακας.
Ακολουθήστε μας στα κοινωνικά δίκτυα facebook, twitter, instagram, youtube, και στο Google news. Διαβάστε την e-enimerosi.com για να ενημερώνεστε για όλα τα νέα, από την Ελλάδα και τον κόσμο, κάνετε εγγραφή στην σελίδα και πατήστε το καμπανάκι για να ενημερώνεστε πρώτοι έγκαιρα και έγκυρα.