معرفی نویسنده

سمیه آزادیان

کارشناس ارشد رشته بیوفیزیک ( دانشگاه تربیت مدرس)

تحول در شناخت تکامل

تحول در شناخت تکامل

ابزار مدل سازی جدید  به درک بهتر بیماری کمک می کند....

آیا قلمرو، فرمانرو، شاخه، رده، راسته، خانواده، جنس و گونه و استعاره درخت زندگی داروین که در زیست شناسی دبیرستان آن ها را آموخته ایم به خاطر می آورید؟ این روش برای توصیف دودمان های موجودات زنده فقط بهترین حدس علم است که چگونه ژن ها به مرور زمان جهش یافته و تقسیم می شوند تا موجودات را به آن چه امروزه هستند تغییر دهند.

همانطور که علم در شناسایی پروتئین و تغییرات ژن بهتر می شود، این غیرعادی نخواهد بود که موجودات زنده در جنس های دیگری دوباره دسته بندی شوند. به عنوان مثال اخیراً در طبقه بندی انواع مختلف باکتری ها، گیاهان و مرجان ها تغییراتی ایجاد شده است.

چه می شود اگر بتوانید مدل بهتری از تغییر تکاملی را ایجاد کنید که می تواند تصویر واضح تری از گذشته به شما ارائه دهد، در حالی که شاید با توجه به این که موجودات زنده پیچیده از میلیاردها سال پیش در حال تکامل بوده اند این مدل 100 درصد دقیق نباشد؟

کریستن نایگل، استادیار مهندسی زیست پزشکی و علوم کامپیوتر در دانشکده مهندسی دانشگاه ویرجینیا و عضو هیئت علمی مقیم مرکز UVA برای ژنومیک بهداشت عمومی و رومن اسلوتسکی دانشجوی دکترای سابق وی که هم اکنون محقق پسادکتری در دانشگاه ماساچوست آمریکا است، همین کار را انجام داده اند. کار آن ها نشان می دهد که چگونه می توان مدل هایی را ساخت که تغییرات تکاملی را بسیار دقیق تر از گذشته بازسازی می کنند، که نویدبخش موفقیت برای پیشرفت در درک چگونگی عملکرد بیماری ها در بدن انسان است.

مقاله آن ها تحت عنوان "ASPEN، روشی برای بازسازی تکامل پروتئین با دقت بهتر با استفاده از مدل های ترکیبی"  پنجشنبه 17 اکتبر در مجله eLife منتشر شد.  ASPEN مخفف "دقت از طریق نمونه برداری تکامل پروتئین" است. تحقیقات آن ها نقاط قوت UVA را در علوم داده های زیست پزشکی برجسته می کند.

نایگل گفت: بیشتر مدل های تکامل پروتئین که امروزه استفاده می شوند احتمالاً اشتباه است. ما اکنون راهی برای تأمل در این مدل ها داریم و می پرسیم که چگونه می توانیم از آنچه در مورد آن ها مناسب است برای ساخت مدل های بهتر استفاده کنیم. این یک گام مهم است.

برای درک بهتر ماهیت پیچیده کارشان در مدل سازی تغییر تکاملی، نایگل یک مقایسه را ارائه می دهد: اگر من از شما خواستم پیش بینی کنید کدام مسیر را یک نفر بین سانفرانسیسکو و نیویورک طی کرده است، این یک مدل خواهد بود. اما اگر من از 1000 نفر خواستم به من یک پیش بینی از این که چه مسیری را یک نفر انتخاب کرده است بدهند، بنابرین بخش هایی از مسیرهای پیش بینی شده که بین تعداد زیادی از این هزار نفر مشترک است به احتمال زیاد درست خواهد بود. دلیل این امر این است که اکثر مردم ممکن است موافق باشند که یک بزرگراه خاص بین دو شهر کارآمدترین راه برای طی کردن مسیر است، و به این ترتیب آن بخش از بزرگراه دارای یک وزن یا احتمال بسیار قوی خواهد بود.

اگر من دیدم که هیچ کس در مورد هیچ چیز آن 1000 مسیر موافق نیست، این به من می گوید که من به این که مدل ها واقعاً دقیق باشند اعتماد خیلی کمی دارم. برعکس، اگر همه در مورد همه چیز یا بیشتر قطعات مسیر توافق داشته باشند، من بسیار مطمئن خواهم بود که باید یکی از بهترین راه ها برای طی کردن بین آن دو نقطه باشد. من می توانم با مسیری جدید روبرو شوم که هیچ یک از آن مسیرهایی نیست که آن 1000 نفر برای من پیش بینی کرده اند، اما اشتراکات بسیار زیادی با آن مسیرهای پیش بینی شده دارد و این مدل ممکن است نسبت به هر مدلی که به من داده شده به مسیر واقعی بسیار نزدیک تر باشد. در پایان، این مدل هنوز ممکن است کاملاً دقیق نباشد، من هرگز نمی توانم مسیر واقعی را بدانم مگر این که از شخصی بخواهم واقعاً سفر انجام دهد، اما احتمالاً خیلی بهتر از هر یک از پیشنهادات مسیر به تنهایی است.

"تکامل مانند این است، فقط مانند حدس زدن یک مسیر در طول زمان به جای مکان است."

بازسازی شاخه های تکاملی دشوار است، به ویژه هنگامی که بسیاری از گونه ها دارای انواع پروتئین مشابه هستند که ممکن است برای انجام عملکردهای کمی متفاوت تکامل یافته باشند. از نظر ریاضی این مشکل به سرعت بسیار بزرگ می شود، اما کشف پیامدهای تکامل پروتئین می تواند به درک بهتر چگونگی برخورد بدن ما با سرطان و سایر بیماری ها منجر شود.

راه حل این مسئله به ذهن اسلوتسکی رسید هنگامی که او در حال مطالعه پروتئین مهمی در سیگنالینگ سلولی بود که در بسیاری از گونه های مختلف مشترک است. او می خواست بداند که چگونه پروتئین به مرور زمان تکامل می یابد تا عملکردهای مختلفی در گونه های مختلف داشته باشد. سؤال بسیار بزرگی بود، او تصمیم گرفت به عنوان نمونه فقط چند سکانس را برای بازسازی کردن واگرایی تکاملی در نظر بگیرد.

وی گفت: این بازسازی ها با یکدیگر موافق نبودند. این به خودی خود مشکل بزرگی نبود و من انتظار نداشتم که همه آن ها با هم موافق باشند. اما انتظار داشتم که یک مدل بیشتر اوقات یا حداقل دفعات زیادی تکرار شود.

با تعجب او تصمیم گرفت تا آن چه را که بین همه مدل های مخالف هم مشترک است، ببیند. وی گفت: من می دانستم كه مجبورم روشی را برای ترکیب کردن اطلاعات همه این مدل ها بیابم، زیرا من نمی توانستم تنها از رایج ترین آن ها استفاده كنم. این نوعی از یک چالش غیر منتظره بود که منجر به ارائه ی این کار شد.

در طی یک دوره چند ماهه اصلاح نرم افزار و آزمایش بر روی مشکلات بسیار بزرگ بازسازی پروتئین ها، نایگل و اسلوتسکی قادر به ایجاد یک نرم افزار منبع باز بودند که می تواند چندین مدل را با هم ترکیب کند تا بتواند تغییرات تکاملی را با دقت بسیار زیادی بازسازی کند.

اسلاوتسکی گفت: هر کاری که بدن ما انجام می دهد توسط پروتئین ها انجام می شود. این یک ابزار قدرتمند است برای درک این که چگونه زیست شناسی مولکولی و پروتئین ها عمل می کنند و هنگامی که همه چیز اشتباه می شود، چگونه آن ها اشتباه می کنند.

داده ها و کد های خام نایگل و اسلوتسکی در مقاله منتشر شده توسط انتشارات eLife گنجانده شده است تا محققان دیگر بتوانند از آن برای مدل سازی دقیق تر استفاده کنند.

محققان می توانند از ابزار جدید نایگل و اسلوتسکی استفاده کنند برای درک این که چگونه پروتئین های بسیار مشابه تکامل می یابند و سپس داروهای بهتری را برای هدف قرار دادن بسیار اختصاصی یک پروتئین طراحی کنند. نایگل همچنین پزشكی را تصور می كند كه سعی دارد با استفاده از تصویربرداری پزشکی محل دقیق و شکل توده ای كه در اعماق بدن بیمار پنهان شده است را تشخیص دهد. این ابزار مدل سازی بسیار دقیق می تواند به آن پزشک کمک کند تا بدون برش بیمار، توده را بهتر بشناسد.

نایگل گفت: "فلسفه بسیار نقل شده جورج. باكس در مورد مدل ها در این جا مرتبط است:" اساساً همه مدل ها اشتباه هستند اما بعضی از آن ها مفید هستند." ما اکنون یک روش قابل اندازه گیری داریم که می پرسیم یک مدل چقدر خوب است، و با استفاده از مفیدترین بخش ها در میان تعداد زیادی مدل، می توانیم مدل های بهتری بسازیم.

منبع: https://www.sciencedaily.com/releases/2019/10/191017135740.htm

کلید واژه ها: #تکامل #مدل های ترکیبی #پروتئین #شاخه های تکاملی #

telegram