Afgørende processer i vores kroppe er kontrolleret af proteiners bevægelser. Det kan være proteiner, der bevæger sig langsommere, når de fremkalder kræft, proteiner som er gode til at dræbe bakterier ved hurtigt at bevæge sig ind i organismen, eller proteiner som transporterer lægemidler gennem vores tarmsystem.

Men bevægelserne er enormt svære at tolke på. Ved brug af kunstig intelligens har forskere fra Københavns Universitet dog demonstreret, at de kan udpege både “slyngler” og “helte” blandt molekylerne i vores celler alene ud fra deres bevægelsesmønster.

»Vores algoritme tracker proteinets bevægelse og laver en karakteristik af hvert protein, som gør, at vi med stor nøjagtighed kan forudsige, hvad proteinet er god eller “slem” til – for eksempel om det arbejder effektivt eller bare sover, og om det får kræft til at opstå. Metoden åbner for bedre kontrol over vigtige biologiske processer,« siger lektor Nikos Hatzakis fra Kemisk Institut.

At bestemme biomolekylers evner ud fra en automatiseret analyse af deres bevægelser er en helt ny tilgang.

»Før skulle man sidde og observere hver enkelt bevægelse hos proteinet og derefter pløje gamle modeller og teorier igennem for at kunne tolke på bare ét proteins bevægelser. Det er tidskrævende, dyrt og giver risiko for fejl. Derudover skulle forskere lave lange matematiske analyser for at knække koden til koblingen mellem bevægelse og en biologisk funktion,« siger Henrik Pinholt, førsteforfatter og kandidat fra Kemisk Institut.

Metoden foregår ved, at en algoritme ud fra mikropskopibilleder af proteinets bevægelser udarbejder en præcis karakteristik af proteinet, der består af 17 forskellige egenskaber i proteinets bevægelsesmønster, blandt andet hvor hurtigt det bevæger sig, og hvilke “gangarter” det har. Når algoritmen er trænet, kan den forudsige proteiners adfærd med over 90 procent nøjagtighed.

Indtil videre har forskerne med succes brugt den til at forudsige proteinadfærd i tre forskellige biologiske systemer: transkriptionsfaktorer, lipaser samt proteiner på overfladen af nanopartikler.

Maria Hornbek, KU, PNAS 3. August 2021, 118 (31)