KI-Durchbruch: Präzise 3D-Proteinstrukturen aus Aminosäuresequenzen vorhersagen

Deep Learning revolutioniert Protein-Folding-Vorhersage

Forscher der Harvard Medical School haben ein Deep-Learning-Modell entwickelt, das die dreidimensionale Struktur eines Proteins allein aus seiner Aminosäuresequenz vorhersagt. Das System übertrifft bestehende State-of-the-Art-Methoden um 6 bis 7 Größenordnungen in der Geschwindigkeit.

End-to-End differentielles Deep Learning

Herkömmliche Algorithmen simulieren die Physik von Aminosäure-Wechselwirkungen per Brute-Force oder mappen neue Sequenzen auf bekannte Strukturvorlagen. Googles AlphaFold nutzt genomische Daten, versagt aber bei evolutionär einzigartigen, nie zuvor untersuchten Proteinen.

Das Harvard-Team setzte auf einen end-to-end differentiellen Deep-Learning-Ansatz (ähnlich wie bei Google Translate oder Siris Spracherkennung). Das recurrent geometric network wurde auf tausenden bekannten Proteinsequenzen und -strukturen trainiert.

Funktionsweise

Für jede Aminosäure berechnet das Netzwerk:

1. Winkel der chemischen Bindungen zu Nachbarn
2. Rotationswinkel um diese Bindungen

Diese Berechnungen werden iterativ verfeinert (unter Berücksichtigung der relativen Positionen aller anderen Aminosäuren), bis die Struktur 완성됩니다. Die Genauigkeit wird durch Abgleich mit experimentell bestimmten Strukturen validiert.

Ergebnisse und Grenzen

• Nach monatelangem Training übertrifft das Modell alle bestehenden Methoden bei Proteinen ohne Vorwissen.
• Die Genauigkeit reicht noch nicht für vollständige atomare Auflösung – noch nicht nutzbar für Medikamentendesign.
• Kann aber andere Techniken ergänzen und eine breitere Klasse von Proteinstrukturen vorhersagen.

Verbesserungspotenzial liegt in der Integration physikalisch-chemischer Gesetze. Code und Ergebnisse sind auf GitHub verfügbar.

Quelle: Cell Systems | doi:10.1016/j.cels.2019.03.006 | Harvard Medical School