KI kann jetzt die 3D-Struktur jedes Proteins berechnen

• Forscher verwenden ein Deep-Learning-Modell, um die 3D-Struktur eines Proteins basierend auf seiner Aminosäuresequenz zu bestimmen.
• Wenn es einmal vollständig trainiert ist, kann es alle bestehenden Techniken bei der Schätzung von Proteinstrukturen, für die es keine Vorkenntnisse gibt, leicht übertreffen.

Protein ist einer der wichtigsten Bausteine ​​des menschlichen Körpers. Es baut Gewebe auf und erhält es. Chemisch besteht es aus Aminosäuren – organischen Verbindungen aus Wasserstoff, Kohlenstoff, Sauerstoff, Stickstoff oder Schwefel.

Proteine ​​führen fast alle grundlegenden biologischen Prozesse durch, die für das Leben essentiell sind, indem sie sich selbst zu genauen dreidimensionalen Strukturen falten, die ihre Interaktion mit anderen Molekülen kontrollieren.

Da die Form eines Proteins seine Funktion und Rolle bei verschiedenen Krankheiten bestimmt, ist es wichtig, seine Strukturen zu studieren und vorherzusagen, um lebensrettende und lebensverändernde Medikamente zu entwickeln.

Es ist jedoch nicht so einfach, wie es sich anhört. In den letzten fünf Jahrzehnten ist die Proteinfaltung eines der schwierigsten Probleme für Biochemiker geblieben. Insbesondere in den letzten Jahren wurden zahlreiche Computermethoden entwickelt, um vorherzusagen, wie sich Proteine ​​falten, aber eine explizite Sequenz-zu-Struktur-Karte wurde noch nicht erstellt.

Jetzt haben Forscher der Harvard Medical School ein Deep-Learning-Modell (eine Form der künstlichen Intelligenz) verwendet, um die 3D-Struktur eines Proteins basierend auf seiner Aminosäuresequenz zu bestimmen. In Bezug auf die Geschwindigkeit übertrifft es bestehende, hochmoderne Techniken um 6 bis 7 Größenordnungen.

End-to-End-differenzierbares Deep Learning anwenden

Die fortschrittlichen Algorithmen verwenden eine Brute-Force-Technik, um die komplexe Physik der Aminosäureinteraktionen zu simulieren und die Proteinstruktur zu bestimmen. Um den Rechenaufwand zu verringern, bilden diese Algorithmen neue Sequenzen auf vorgefertigte Templates ab, die zuvor bestimmte Proteinstrukturen repräsentieren.

Einige KI-Projekte wie Googles AlphaFold analysieren eine riesige Menge genomischer Daten, die den Bauplan von Proteinsequenzen enthalten. Diese Verfahren schätzen jedoch Strukturen nicht allein auf der Grundlage der Aminosäuresequenz. Sie können die evolutionär einzigartigen Proteine ​​(Strukturen von Proteinen, die in der Vergangenheit nie untersucht wurden) nicht bestimmen.

Aus diesem Grund verwendete das Forschungsteam eine durchgängig differenzierbare Deep-Learning-Technik, die sich bereits in einigen der beliebtesten Apps bewährt hat, darunter Google Translate und Siri von Apple.

Referenz:Zellsysteme | doi:10.1016/j.cels.2019.03.006 | Harvard Medical School 

Dieses Deep-Learning-System, das als rekurrentes geometrisches Netzwerk bezeichnet wird, betont die Schlüsseleigenschaften der Proteinfaltung. Es wird auf Tausenden von vorbestimmten Proteinsequenzen und -strukturen trainiert.

Für jede einzelne Aminosäure berechnet der Algorithmus den Winkel der chemischen Bindungen, die die Säure mit ihren Nachbarn verbinden, sowie den Drehwinkel um diese chemischen Bindungen.

Eine visuelle Simulation, wie das Netzwerk den Winkel der chemischen Bindungen und den Rotationswinkel um diese Bindungen berechnet, um eine Struktur des Proteins zu konstruieren. | Bildnachweis:Mohammed AlQuraishi 

Das neuronale Netzwerk führt diese Berechnungen durch (jede Iteration wird durch die relative Position jeder anderen Aminosäure verfeinert), bis die Struktur fertig ist. Das System überprüft dann die Genauigkeit seines Ergebnisses, indem es es mit der realen Proteinstruktur abgleicht (aus direkten Beobachtungen erhalten).

Ergebnisse

Dieser Vorgang wird für mehrere verschiedene bekannte Proteine ​​wiederholt und die Genauigkeit des Systems erhöht sich mit jeder Iteration. Es könnte Monate dauern, das Netzwerk zu trainieren, aber sobald das Training abgeschlossen ist, kann das Modell alle bestehenden Techniken bei der Schätzung von Proteinstrukturen, für die keine Vorkenntnisse vorhanden sind, leicht übertreffen.

Dennoch reicht die Genauigkeit des Modells nicht aus, um die vollständige atomare Struktur eines Proteins aufzulösen. Daher ist es nicht für den Einsatz in der Wirkstoffentwicklung oder -forschung geeignet.

Lesen Sie:Neue Methode verwendet eine Handykamera, um extrem seltene Proteine ​​im Blut zu messen

Im Moment kann es andere Techniken ergänzen, um eine viel breitere Klasse von Proteinstrukturen vorherzusagen als bisher möglich. Es gibt zahlreiche Möglichkeiten, das Modell durch die Integration physikalischer und chemischer Gesetze zu verbessern. Wenn Sie es selbst ausprobieren möchten, sind der Code und die Ergebnisse auf GitHub verfügbar.