Η νόσος του Parkinson αποτελεί μία νευροεκφυλιστική νόσο με εκατομμύρια περιστατικά παγκοσμίως. Τα συμπτώματά της ποικίλουν, τόσο κινητικά όσο και μη, και καθορίζονται από πολλούς παράγοντες όπως η ηλικία έναρξης της νόσου, το γενετικό υπόβαθρο, περιβαλλοντικοί παράγοντες, κ.ά. Λόγω της μεγάλης ετερογένειας που παρουσιάζει, καθίσταται ιδιαίτερα δύσκολη η διάγνωσή της και κατ’ επέκταση η έγκαιρη έναρξη της κατάλληλης θεραπείας. Ορισμένες πρωτεΐνες φαίνεται να παίζουν σημαντικό ρόλο στην εκδήλωση της νόσου, ωστόσο δεν είναι πλήρης κατανοητός ο τρόπος με τον οποίο γίνεται η γενετική σύνδεση.  Παράλληλα, η θεραπεία της νόσου βασίζεται κυρίως στην συμπωματική αντιμετώπισή της , με την λεβοντόπα να αποτελεί το φάρμακο πρώτης αντιμετώπισης. Είναι αναγκαία, λοιπόν, η εύρεση νέων στόχων φαρμάκων . 

Η ταχεία ανάπτυξη του Machine Learning έχει δώσει στην επιστημονική κοινότητα την ευκαιρία να μπορεί να προβλέψει την τριτοταγή δομή των πρωτεϊνών του ανθρώπινου γονιδιώματος ακόμα και αν δεν υπάρχουν πειραματικά δεδομένα. Ένα τέτοιο εργαλείο αποτελεί και το AlphaFold που μπορεί να αποδώσει, ακόμα και με μεγάλη ακρίβεια σε ορισμένες περιπτώσεις, δομές πρωτεϊνών, όταν πληρούνται ορισμένες προϋποθέσεις. 

Σε αυτή την διπλωματική εργασία, επιστρατεύεται το AlphaFold ώστε να εξεταστεί η ακρίβεια με την οποία μπορούν να αποδοθούν οι τριτοταγείς δομές ορισμένων πρωτεϊνών σχετικών με την Parkinson’s, με στόχο, μετέπειτα, να αποτελέσουν στόχο για εύρεση νέας πιθανής θεραπείας.  

Parkinson’s disease is a neurodegenerative disorder with millions of cases worldwide. Its symptoms vary, both motor and non-motor, and are influenced by various factors such as the age of disease onset, genetic background, environmental factors, and more. Due to its significant heterogeneity, diagnosing the disease—and consequently initiating appropriate treatment in a timely manner—becomes particularly challenging. Certain proteins appear to play a significant role in the manifestation of the disease, but the mechanism underlying the genetic connection is not yet fully understood. At the same time, the treatment of Parkinson’s primarily focuses on symptomatic management, with levodopa being the first-line medication. Therefore, the discovery of new drug targets is essential. 

The rapid development of Machine Learning has provided the scientific community with the capability to predict the tertiary structure of human genome proteins, even in the absence of experimental data. One such tool is AlphaFold, which, under certain conditions, can produce protein structures with considerable accuracy. 

In this thesis, AlphaFold is employed to evaluate the accuracy with which tertiary structures of specific proteins related to Parkinson’s can be modeled. The goal is for these structures to subsequently serve as potential targets for the development of new therapeutic approaches.