Ein neues künstliche Intelligenz-Modell, das von Forschern der USC entwickelt wurde und in Nature Methods veröffentlicht wurde, kann vorhersagen, wie verschiedene Proteine mit hoher Genauigkeit an DNA binden können. Das Tool namens Deep Predictor of Binding Specificity (DeepPBS) ist ein geometrisches Deep-Learning-Modell, das die Bindungsspezifität von Protein-DNA-Komplexen vorhersagen kann. Dieser Fortschritt in der Technologie verspricht, die Zeit zur Entwicklung neuer Medikamente und anderer medizinischer Behandlungen zu verkürzen.
DeepPBS verwendet ein geometrisches Deep-Learning-Modell, um die chemischen Eigenschaften und geometrischen Zusammenhänge von Protein-DNA zu analysieren und die Bindungsspezifität vorherzusagen. Das Tool kann auch die Bindungsspezifität über verschiedene Protein-Familien hinweg vorhersagen, im Gegensatz zu vielen bestehenden Methoden, die auf eine Protein-Familie beschränkt sind. Dies ermöglicht es Forschern, universell für alle Proteine zu arbeiten und nicht auf eine gut untersuchte Protein-Familie beschränkt zu sein.
Die Forschung im Bereich der Proteinstrukturvorhersage hat sich seit Einführung von DeepMinds AlphaFold, das Proteinstruktur aus der Sequenz vorhersagen kann, rasch entwickelt. DeepPBS arbeitet in Verbindung mit Strukturvorhersagemethoden, um die Spezifität für Proteine ohne verfügbare experimentelle Strukturen vorherzusagen. Die Anwendungen von DeepPBS sind vielfältig und können dazu beitragen, die Entwicklung neuer Medikamente und Behandlungen für spezifische Mutationen in Krebszellen zu beschleunigen.
Die Studie wurde von Remo Rohs von der USC sowie anderen Autoren wie Raktim Mitra, Jinsen Li, Jared Sagendorf, Yibei Jiang, Ari Cohen und Tsu-Pei Chiu von der USC sowie Cameron Glasscock von der University of Washington durchgeführt und hauptsächlich durch das NIH-Stipendium R35GM130376 unterstützt.