Forscher des Massachusetts Institute of Technology (MIT) haben eine neue Methode entwickelt, um Proteine besser zu verstehen und zu gestalten. Sie kombinieren dabei Aufmerksamkeits-Neuronale Netzwerke, sogenannte Transformer, mit Graph-Neuronalen Netzwerken. Diese Kombination aus geometrischem Deep Learning und Sprachmodellen ermöglicht es, bestehende Protein-Eigenschaften vorherzusagen und neue Proteine zu entwerfen. Proteine haben komplexe Strukturen, die schwer zu modellieren sind. Doch maschinelles Lernen hat bereits gezeigt, vielversprechende Ergebnisse bei der Beschreibung ihrer Funktionen zu liefern. Die Herausforderung besteht jedoch darin, Proteine mit spezifischen Funktionen zu gestalten. Die Forscher trainierten ihr Modell darauf, Sequenzierung, Löslichkeit und Aminosäure-Bausteine anhand von Protein-Funktionen vorherzusagen. Außerdem brachten sie dem Modell bei, völlig neue Proteinstrukturen auf Basis bestimmter Parameter zu generieren. Das Modell erzeugte erfolgreich stabile Formen antimikrobieller Proteine und entwickelte ein Seidenprotein in verschiedene neue Formen weiter. Diese Methode hat über die Protein-Design-Forschung hinaus breite Anwendungsmöglichkeiten. Sie kann beispielsweise auch in der Materialwissenschaft verwendet werden, um Materialien mit spezifischen Ausfallmustern zu entwerfen.
Einführung
– Ein Forscherteam des MIT hat eine neuartige Methode zur Untersuchung und Gestaltung von Proteinen entwickelt.
– Indem sie Aufmerksamkeitsneuronale Netzwerke (Transformers) mit Graph-neuronalen Netzwerken kombinieren, haben die Forscher ihr Verständnis für Proteinstrukturen und -funktionen verbessert.
– Dieser Ansatz verbindet die Stärken des geometrischen Deep Learnings und der Sprachmodelle, um vorhandene Proteineigenschaften vorherzusagen und neue Proteine zu entwerfen.
Herausforderungen beim Protein-Design
– Proteine haben komplexe Strukturen, die mit herkömmlichen Methoden schwer zu modellieren sind.
– Maschinelles Lernen hat das Potenzial gezeigt, Proteinfunktionen zu beschreiben, aber das Designen von Proteinen mit spezifischen Funktionen bleibt eine Herausforderung.
Kombination von Aufmerksamkeits- und Graph-neuronalen Netzwerken
– Die Forscher trainierten ihr Modell mit einem Datensatz von Proteinen, um die Sequenzierung, Löslichkeit und Aminosäurebausteine basierend auf Protein-Funktionen vorherzusagen.
– Das Modell kombiniert Aufmerksamkeitsneuronale Netzwerke, die bei natürlichen Sprachverarbeitungsaufgaben hervorragende Leistungen erbringen, mit Graph-neuronalen Netzwerken, die stark darin sind, strukturelle Beziehungen zu erfassen.
Verständnis von Proteineigenschaften
– Die Aufmerksamkeitsneuronalen Netzwerke helfen dem Modell, die zugrunde liegenden Prinzipien von Proteinstrukturen und -eigenschaften zu verstehen.
– Indem sie die natürlichen Bausteine von Proteinen modellieren, gewinnt das Modell Einblicke in den Beitrag verschiedener Aminosäuren zur Protein-Funktion.
Vorhersage von Protein-Sequenzierung und Löslichkeit
– Das Modell sagt die Sequenzierung der Aminosäuren in einem Protein basierend auf seiner gewünschten Funktion voraus.
– Es sagt auch die Löslichkeit von Proteinen vorher, die eine wichtige Eigenschaft für deren Stabilität und Funktionalität ist.
Entwicklung neuer Proteinstrukturen
– Die Forscher brachten dem Modell bei, völlig neue Proteinstrukturen basierend auf bestimmten Parametern zu generieren.
– Indem sie Richtlinien wie gewünschte Funktionen oder Eigenschaften angeben, erzeugt das Modell Proteine mit maßgeschneiderten Eigenschaften.
Anwendungen im Protein-Design
– Das Modell erzeugte erfolgreich stabile Versionen von antimikrobiellen Proteinen, die wichtig sind, um gegen multiresistente Bakterien anzukämpfen.
– Das Seidenprotein wurde in verschiedene neue Formen weiterentwickelt, was die Fähigkeit des Modells zeigt, verschiedene Proteinmöglichkeiten zu erkunden.
– Dieser innovative Ansatz hat weitreichende Anwendungen jenseits des Protein-Designs, einschließlich Materialwissenschaften zur Gestaltung von Materialien mit spezifischen Ausfallmustern.
Schlussfolgerung
– Die Kombination von Aufmerksamkeitsneuronalen Netzwerken und Graph-neuronalen Netzwerken hat das Protein-Design und das Verständnis revolutioniert.
– Indem sie die Stärken von Sprachmodellen und geometrischem Deep Learning nutzen, können Forscher Proteineigenschaften vorhersagen und neuartige Proteinstrukturen entwerfen.
– Dieser Durchbruch hat bedeutende Auswirkungen auf die Bereiche Molekularbiologie, Materialwissenschaften und Medikamentenentwicklung.
