Prof. Mariusz Jaskólski z Zakładu Krystalografii Wydziału Chemii UAM wraz ze współpracownikami, w tym współpracownikami z USA (Uniwersytet w Wirginii, Narodowy Instytut Raka) ogłosił w prestiżowych czasopismach z zakresu biologii strukturalnej dwie ważne prace dotyczące wątków krystalograficznych w badaniach biostrukturalnych.
W czasopiśmie Drug Resistance Updates (IF-5 11,4) ukazuje się praca “A close look onto structural models and primary ligands of metallo-b-lactamases” autorów J.E.Raczynska, I.G.Shabalin, W.Minor, A.Wlodawer, M.Jaskolski, podejmująca jeden z najbardziej aktualnych problemów medycyny, związany z antybiotykoopornością bakterii chorobotwórczych. Ta dramatyczna sytuacja polega na nabywaniu przez groźne dla nas bakterie zdolności do rozkładania wszelkich antybiotyków, jakie mamy do dyspozycji, w tym antybiotyków ostatniego ratunku, podobnych chemicznie do penicyliny. Za rozkład tych leków odpowiadają m.in. enzymy zwane metalo-β-laktamazami.
W ramach poszukiwania rozwiązania tego problemu, badacze z wielu ośrodków określili struktury krystaliczne kilkuset metalo-β-laktamaz, które – zdeponowane w Banku Struktur Białkowych (Protein Data Bank, PDB) – stanowią swoisty cel molekularny dla projektowanych dla nich „pocisków”, czyli nowych leków.
W pracy powstałej z udziałem prof. Jaskólskiego dokonano skrupulatnej oceny modeli metalo-β-laktamaz w banku PDB wykazując, że wiele z nich zawiera różnego rodzaju błędy, z poważnymi włącznie. Dzięki wypracowanej przez środowisko krystalografów zasadzie wymagającej deponowania danych doświadczalnych towarzyszących publikacjom strukturalnym, wiele z tych błędnych modeli udało się poprawić i – zwykle we współpracy z oryginalnymi autorami – ponownie zdeponować w PDB. Omawiana praca nie tylko pokazuje więc jak wykrywać i korygować (nieuniknione przecież) błędy w gromadzonych zasobach naukowych, ale też jak harmonijnie współpracować w tym zakresie, mając na względzie przede wszystkim dobro nauki i jej odbiorców.
Czytaj też: Ostrów Tumski wciąż zagadkowy, ale...
W czasopiśmie Bioinformatics (IF-5 8,6) ukazuje się praca zatytułowana „Automatic recognition of ligands in electron density by machine learning”, której autorzy M.Kowiel, D.Brzezinski, P.Porebski, I.G.Shabalin, M.Jaskolski, W.Minor zaprzęgli sztuczną inteligencję do rozwiązywania problemów biologii strukturalnej. Zagadnienie dotyczy rozpoznawania i modelowania tzw. ligandów, czyli małych cząsteczek chemicznych (np. leków) towarzyszących makromolekułom biologicznym (np. enzymom) w ich strukturach krystalicznych.
Modelowanie takie wykonywali dotąd mozolnie doświadczeni badacze na podstawie tzw. map gęstości elektronowej, które są wynikiem badania struktury kryształu metodą dyfrakcji promieni Rentgena i niosą w sobie informację o budowie zawartych w krysztale molekuł. Gwałtowny rozwój bazy struktur białkowych PDB (ok. 150000 struktur), zawierającej obecnie informację o kilkuset tysiącach ligandów, podsunął powyższemu zespołowi, w skład którego wchodzą również fizycy, informatycy i matematycy, pomysł wykorzystania sztucznej inteligencji do nauczenia komputera sztuki poprawnego rozpoznawania ligandów w mapach gęstości elektronowej.
Takie uczenie maszynowe istotnie powiodło się i stworzony algorytm jest obecnie w stanie rozpoznać przypadki, których jeszcze nie „widział”. Co więcej, ma on możliwość ciągłego uczenia się, m.in. na własnych błędach.
