Ajakirjas Nature kirjeldati Londonis paikneva ettevõtte DeepMind arendatud programmi AlphaFold 2 ja ajakirjas Science  USA-s Seattle'is tegutseva teadusgrupi programmi RoseTTaFold.  Suurepärased tulemused said teatavaks juba möödunud aasta lõpus peetud avalikul valkude struktuuri ennustusvõistlusel CASP (Critical Assessment of Structure Prediction), mis on toimunud juba üle 25 aasta. Nüüd avalikustati mõlema töörühma koodibaas.

Rakendused ravimiarenduses

Miks on valkude ruumilise struktuuri ennustamine oluline? Juba 1960. aastal pakkus  Ameerika Ühendriikide biokeemik Christian Anfinsen välja fundamentaalse idee, et valgu struktuur on määratud aminohapete lineaarse järjestusega. Sellele ideele praktilise väljundi leidmine on paelunud struktuuribiolooge, arvutusbiolooge ja bioinformaatikuid üle poole sajandi.

Valgud on funktsionaalsuse poolest inimkeha ühed olulisemad molekulid. Need täidavad väga erinevaid elutähtsaid rolle. Näiteks on valgud immuunsuse jaoks olulised antikehad. Toitainete lagundamise juures mängib olulist rolli piimasuhkrut lagundav laktaas. Juuste ja küünte moodustamisel on aga vaja keratiini.

Meditsiinilises vaates pole vähetähtis, et enamik ravimeid, olgu need mõeldud autoimmuunhaiguste, vähi või neurodegeneratiivsete haiguste raviks, mõjutavad just kindlat valku või valke meie kehas. Üksikasjalik informatsioon valgu struktuuri kohta suurendab meie võimekust disainida ravimimolekule nii, et need mõjutaksid õiget valku õigest kohast ja vajalikul viisil. See aitab vähendada neid ravimiarenduskulusid, mis seostuvad just arenduse varajases faasis läbi viidavate molekulide sünteesimise ja analüüsimise tsükliga.

 Uued väljakutsed

Kui ühe konkreetse probleemi lahendamisel oleme teinud murrangulise edusammu, siis vähemalt sama palju kerkib kohe uusi küsimusi. Oma loomulikus olekus valkude täpne kolmemõõtmeline kuju muutub pidevalt. Valkudega toimuvate muutuste ennustamine vastavalt ümbritseva keskkonna tingimustele ongi valdkonna üks järgmisi olulisi katsumusi.

Lisaks on oluline, et mitmed valgud täidavad mitut rolli ning neil on võime osaleda biomolekulaarsetes vastastikmõjudes ja protsessides. Seega on oluline täpsemalt tundma õppida, milliste teiste molekulidega valk oma bioloogilises keskkonnas suhtleb, millised on selle ülesanded ja mis juhtub, kui üks valk või mingi kogukond valke mingil põhjusel oma funktsioone täitmast lakkab.

Teisisõnu, järgmiste oluliste ja bioloogilisest vaatepunktist põletavamategi küsimuste hulk on määratult suur. Töö ka neile vastuste leidmiseks on tegelikult kestnud kaua, kuid ilmselt hakkab spetsiifilisi edulugusid teaduskirjanduses leidma järjest sagedamini.

Masinõppe ja biotehnoloogia sümbioos

Lõpetuseks, miks ei nimeta ma toimunud sündmusi järjekordseks puhtalt masinõppe võidukäiguks? Teadupoolest on masinõppe piiriks just see, et ennustusi ei tehta mitte vahetult loodusteaduslikele printsiipidele tuginedes, vaid treeningandmete põhjal. Seega ei oleks AlphaFold 2 ega RosettaFold oma fantastiliste tulemusteni jõudnud, kui poleks olemas biofüüsikalisi ja -keemilisi analüütilisi meetodeid.

Eelkõige käib jutt röntgenkristallograafiast ja krüoelektronmikroskoopiast, millest mõlema leiutajad on pälvinud Nobeli preemia. Need tehnoloogiad on võimaldanud meil eelnevalt tuhandete valkude struktuure eksperimentaalselt määrata ja paralleelselt arendatud bioinformaatilisi meetodeid nagu mitme järjestuse joondamine (multiple sequence alignment), mida DeepMindi ja Seattle'i teadlased oma mudelitega ühildasid.

Suure tõenäosusega toimuvad vähemalt lähitulevikus suurimad edasiminekud arvutuslikus biotehnoloogias just eksperimentaalseid alusteadusi ja masinõpet oskuslikult kombineerides. Sel juhul ei leia arvutid paremaid ravimeid ja efektiivsemaid ensüüme mitte üksnes arvutustele ja modelleerimisele tuginedes, vaid saades olulise sisendi eksperimentaalteadustest.

Siinkohal on oluline, et koolitaksime eksperte, kes suudavad efektiivselt tegutseda nende kahe valdkonna piirimail.