Revolucionarni napredak u razumijevanju staničnih mehanizama i potencijalno novi smjerovi u dijagnostici i liječenju bolesti naziru se zahvaljujući inovativnom pristupu koji koristi snagu umjetne inteligencije. Znanstvenici su razvili sofisticiranu računalnu metodu koja s iznimnom preciznošću može predvidjeti lokaciju gotovo svakog proteina unutar ljudske stanice. Ovaj model, obučen na temelju zajedničkog razumijevanja ponašanja proteina i stanica, otvara vrata bržoj i učinkovitijoj identifikaciji patoloških stanja te razvoju novih terapijskih strategija.

Pitanje gdje se protein nalazi unutar stanice nije samo akademsko; ono ima duboke implikacije na staničnu funkciju i, posljedično, na zdravlje. Pogrešna lokalizacija proteina, odnosno njegovo smještanje u neodgovarajući stanični odjeljak, može biti okidač ili značajan čimbenik u razvoju niza teških oboljenja. Primjerice, kod Alzheimerove bolesti, nakupljanje određenih proteina na krivim mjestima u moždanim stanicama dovodi do neurodegeneracije. Slično tome, kod cistične fibroze, defektan protein ne dospijeva na svoju ispravnu lokaciju na staničnoj membrani, što uzrokuje poremećaj transporta iona. U kontekstu karcinoma, abnormalna distribucija proteina može potaknuti nekontrolirani rast i diobu stanica ili pak omogućiti stanicama raka da izbjegnu imunološki odgovor.

S obzirom na to da jedna ljudska stanica sadrži otprilike 70.000 različitih proteina i njihovih varijanti, ručno identificiranje lokacije svakog od njih predstavlja ogroman izazov. Tradicionalne eksperimentalne metode obično omogućuju testiranje samo malog broja proteina odjednom, čineći proces izuzetno skupim, dugotrajnim i radno intenzivnim. Svaki eksperiment zahtijeva pažljivu pripremu, specifične reagense i sofisticiranu opremu, a rezultati često daju samo djelić slike o kompleksnoj unutarstaničnoj organizaciji.

Nova generacija računalnih tehnika i Atlas ljudskih proteina

Kako bi se ubrzao i pojednostavio ovaj složeni zadatak, razvijaju se nove generacije računalnih tehnika. One se oslanjaju na modele strojnog učenja koji koriste opsežne skupove podataka s informacijama o tisućama proteina i njihovim lokacijama, izmjerenima u različitim staničnim linijama. Jedan od najvećih i najznačajnijih takvih resursa je Atlas ljudskih proteina (Human Protein Atlas). Ovaj sveobuhvatni katalog sadrži podatke o subcelularnom ponašanju više od 13.000 proteina u preko 40 različitih tipova staničnih linija. Unatoč svojoj impozantnoj veličini, Atlas ljudskih proteina do sada je uspio istražiti tek oko 0,25 posto svih mogućih kombinacija proteina i staničnih linija unutar svoje baze podataka. Ovo jasno ukazuje na golemost neistraženog prostora i potrebu za naprednijim alatima koji mogu učinkovito mapirati preostali dio proteinskog univerzuma.

Suočeni s ovim izazovom, istraživači s uglednih institucija kao što su MIT, Sveučilište Harvard i Broad Institute (zajednički institut MIT-a i Harvarda) razvili su novi računalni pristup. Njihova metoda omogućuje učinkovito istraživanje preostalog, još uvijek neucrtanog prostora unutarstanične lokalizacije proteina. Ključna prednost ovog novog pristupa jest sposobnost predviđanja lokacije bilo kojeg proteina u bilo kojoj ljudskoj staničnoj liniji, čak i u slučajevima kada ni specifični protein ni konkretna stanična linija nisu prethodno bili eksperimentalno testirani. Ovo predstavlja značajan korak naprijed u odnosu na postojeće metode.

Preciznost na razini pojedinačne stanice

Tehnika koju su razvili ide korak dalje od mnogih postojećih metoda temeljenih na umjetnoj inteligenciji jer lokalizira protein na razini pojedinačne stanice, umjesto da pruža prosječnu procjenu za sve stanice određenog tipa. Ova mogućnost lokalizacije na razini jedne stanice od iznimne je važnosti. Primjerice, omogućuje precizno određivanje položaja proteina u specifičnoj stanici raka nakon primjene terapije, što može pružiti ključne uvide u učinkovitost liječenja i mehanizme rezistencije. Razumijevanje heterogenosti unutar populacije stanica, čak i unutar iste stanične linije ili tkiva, ključno je za razvoj personaliziranih medicinskih pristupa.

Istraživački tim kombinirao je model proteinskog jezika s posebnom vrstom modela računalnog vida kako bi uhvatio bogate i detaljne informacije o proteinu i stanici. Model proteinskog jezika analizira sekvencu aminokiselina koja čini protein, izvlačeći informacije o njegovoj strukturi i svojstvima koja određuju njegovu sklonost prema određenim staničnim odjeljcima. S druge strane, model računalnog vida, poznat kao model za dopunjavanje slike (image inpainting model), analizira slike stanice obojene specifičnim markerima kako bi prikupio informacije o stanju te stanice – njenom tipu, individualnim karakteristikama i eventualnom prisustvu stresa ili patoloških promjena. Konačni rezultat koji korisnik dobiva je slika stanice s istaknutim područjem koje ukazuje na predviđenu lokaciju proteina. Budući da je lokalizacija proteina često pokazatelj njegovog funkcionalnog statusa, ova tehnika može pomoći istraživačima i kliničarima u učinkovitijoj dijagnostici bolesti, identifikaciji ciljnih molekula za nove lijekove, te omogućiti biolozima bolje razumijevanje povezanosti složenih bioloških procesa s distribucijom proteina unutar stanice.

Yitong Tseo, doktorand na MIT-ovom programu Računalne i sistemske biologije i jedan od vodećih autora rada objavljenog na ovu temu u časopisu Nature Methods 15. svibnja 2025., ističe: "Mogli biste provoditi ove eksperimente lokalizacije proteina na računalu bez potrebe da uopće ulazite u laboratorij, nadamo se štedeći mjesece truda. Iako biste i dalje trebali verificirati predviđanje, ova tehnika mogla bi djelovati kao početni probir onoga što treba eksperimentalno testirati."

Uz Tsea, kao vodeća autorica rada potpisana je Xinyi Zhang, doktorandica na Odsjeku za elektrotehniku i računarstvo (EECS) i Centru Eric and Wendy Schmidt pri Broad Instituteu. Među autorima su i Yunhao Bai s Broad Institutea te stariji autori Fei Chen, docent na Harvardu i član Broad Institutea, i Caroline Uhler, profesorica inženjerstva na katedri Andrew and Erna Viterbi u EECS-u i Institutu za podatke, sustave i društvo (IDSS) na MIT-u, koja je također direktorica Centra Eric and Wendy Schmidt i istraživačica u MIT-ovom Laboratoriju za informacijske i odlDecision Systems (LIDS).

Suradnja naprednih modela: Upoznavanje s PUPS-om

Mnogi postojeći modeli za predviđanje ponašanja proteina ograničeni su time što mogu donositi predviđanja samo na temelju podataka o proteinima i stanicama na kojima su trenirani ili nisu u stanju precizno odrediti lokaciju proteina unutar pojedinačne stanice. Kako bi prevladali ta ograničenja, istraživači su stvorili dvodijelnu metodu za predviđanje subcelularne lokacije do sada neviđenih proteina, nazvanu PUPS (Prediction of Unseen Proteins' Subcellular localization).

Prvi dio PUPS-a koristi model sekvence proteina. Ovaj model je dizajniran da uhvati svojstva proteina koja određuju njegovu lokalizaciju, kao i njegovu trodimenzionalnu strukturu, na temelju lanca aminokiselina koji ga tvori. Aminokiselinska sekvenca je primarna informacija koja diktira kako će se protein saviti i koje će funkcije obavljati, uključujući i signale za njegovo usmjeravanje unutar stanice.

Drugi dio sustava uključuje model za dopunjavanje slike (image inpainting model). Riječ je o sofisticiranom modelu računalnog vida koji je izvorno dizajniran za popunjavanje nedostajućih dijelova slike. U ovom kontekstu, model analizira tri različito obojene slike stanice kako bi prikupio ključne informacije o njenom stanju. Te slike obično prikazuju jezgru (markerom poput DAPI-ja), mikrotubule (važne komponente citoskeleta) i endoplazmatski retikulum (ključnu organelu za sintezu i transport proteina). Analizom ovih markera, model stječe uvid u tip stanice, njezine individualne morfološke značajke te detektira je li stanica pod nekim oblikom stresa, što može utjecati na distribuciju proteina.

PUPS zatim spaja reprezentacije, odnosno digitalne opise, stvorene iz svakog od ova dva modela – modela sekvence proteina i modela slike stanice. Kombiniranjem ovih informacija, sustav predviđa gdje se protein nalazi unutar specifične, pojedinačne stanice. Za vizualizaciju ovog predviđanja koristi se slikovni dekoder koji generira izlaznu sliku. Na toj slici jasno je označeno područje gdje PUPS predviđa da se ispitivani protein nalazi.

"Različite stanice unutar jedne stanične linije pokazuju različite karakteristike, a naš je model u stanju razumjeti tu nijansu," pojašnjava Tseo. Ova sposobnost razlikovanja individualnih staničnih varijacija ključna je za preciznu analizu.

Korisnik sustava PUPS treba unijeti sekvencu aminokiselina koja tvori protein od interesa te tri slike staničnih biljega – jednu za jezgru, jednu za mikrotubule i jednu za endoplazmatski retikulum. Nakon unosa ovih podataka, PUPS obavlja ostatak analize i generira predviđanje lokalizacije.

Dublje razumijevanje kroz inovativni proces učenja

Tijekom procesa obuke modela PUPS, istraživači su primijenili nekoliko inovativnih tehnika kako bi ga naučili učinkovito kombinirati informacije iz oba sastavna modela. Cilj je bio osposobiti PUPS da donese utemeljenu pretpostavku o lokaciji proteina, čak i ako nikada prije nije "vidio" taj specifični protein ili staničnu liniju.

Jedna od tih tehnika uključuje dodjeljivanje sekundarnog zadatka modelu tijekom treninga: eksplicitno imenovanje odjeljka lokalizacije, poput stanične jezgre, mitohondrija ili Golgijevog aparata. Ovaj se zadatak obavlja usporedno s primarnim zadatkom dopunjavanja slike (predviđanja gdje se protein nalazi na slici). Pokazalo se da ovaj dodatni korak pomaže modelu da učinkovitije uči i razvije bolje opće razumijevanje mogućih staničnih odjeljaka i signala koji vode proteine u njih. Analogija bi mogla biti učitelj koji od učenika traži ne samo da nacrtaju sve dijelove cvijeta, već i da napišu njihova imena. Ovaj dodatni zahtjev za imenovanjem pojačava učenje i razumijevanje.

Nadalje, činjenica da se PUPS istovremeno obučava na podacima o proteinima i staničnim linijama pomaže mu da razvije dublje razumijevanje o tome gdje se proteini obično lokaliziraju na slici stanice. Sustav uči prepoznavati suptilne uzorke i korelacije između karakteristika proteina (izvedenih iz njegove sekvence) i vizualnih značajki stanice (izvedenih iz slika biljega).

Impresivno je da PUPS može čak i samostalno razumjeti kako različiti dijelovi proteinske sekvence odvojeno doprinose njegovoj ukupnoj lokalizaciji. To znači da model može identificirati specifične aminokiselinske motive ili domene unutar proteina koji djeluju kao "poštanski brojevi", usmjeravajući protein na njegovo odredište u stanici.

"Većina drugih metoda obično zahtijeva da prvo imate biljeg za protein, tako da ste ga već vidjeli u svojim podacima za obuku. Naš je pristup jedinstven po tome što može generalizirati istovremeno preko proteina i staničnih linija," naglašava Zhang. Ova sposobnost generalizacije na neviđene slučajeve ključna je prednost PUPS-a.

Budući da PUPS može generalizirati na proteine koje nije susreo tijekom obuke, sposoban je uhvatiti promjene u lokalizaciji uzrokovane jedinstvenim proteinskim mutacijama koje nisu uključene u Atlas ljudskih proteina. Ovo je posebno važno za proučavanje genetskih bolesti gdje mutacije mogu promijeniti ponašanje proteina, uključujući i njegovu unutarstaničnu distribuciju.

Istraživači su potvrdili sposobnost PUPS-a da predvidi subcelularnu lokaciju novih proteina u do tada neviđenim staničnim linijama provođenjem laboratorijskih eksperimenata i usporedbom rezultata. Usporedba s postojećom, osnovnom metodom umjetne inteligencije pokazala je da je PUPS u prosjeku pokazao manju pogrešku u predviđanju za testirane proteine. Ovi rezultati validacije potvrđuju robusnost i točnost novog modela.

Budući smjerovi i potencijalne primjene

Gledajući unaprijed, istraživački tim planira daljnje poboljšanje PUPS-a. Jedan od ciljeva je omogućiti modelu da razumije interakcije protein-protein, odnosno kako proteini međusobno djeluju i kako te interakcije mogu utjecati na njihovu zajedničku lokalizaciju. Također, rade na tome da PUPS može predvidjeti lokalizaciju više proteina istovremeno unutar jedne stanice, pružajući tako kompleksniju sliku stanične organizacije.

Dugoročnija vizija uključuje osposobljavanje PUPS-a da vrši predviđanja ne samo na kultiviranim stanicama u laboratorijskim uvjetima, već i na uzorcima živog ljudskog tkiva. Takav napredak imao bi ogroman značaj za kliničku dijagnostiku i razvoj terapija, omogućujući analizu proteinske lokalizacije u stvarnom biološkom kontekstu pacijenta. Razumijevanje kako se proteini ponašaju u složenom okruženju tkiva, s različitim tipovima stanica i međustaničnim interakcijama, otvorilo bi nove perspektive za personaliziranu medicinu. Ovaj pionirski rad na sjecištu umjetne inteligencije, stanične biologije i medicine obećava transformaciju našeg pristupa istraživanju, dijagnosticiranju i liječenju bolesti, stavljajući moć prediktivne analize u službu ljudskog zdravlja.

Istraživanje su financirali Centar Eric and Wendy Schmidt pri Broad Instituteu, Nacionalni instituti za zdravlje (NIH), Nacionalna zaklada za znanost (NSF), Burroughs Wellcome Fund, Zaklada Searle Scholars, Harvard Stem Cell Institute, Merkin Institute, Ured za pomorska istraživanja i Ministarstvo energetike SAD-a.

Izvor: Massachusetts Institute of Technology