Ein neues künstliche Intelligenz (KI)-Modell, das genau vorhersagen kann, wie verschiedene Proteine an DNA binden, wurde entwickelt, um die Zeit zur Entwicklung neuer Medikamente und anderer medizinischer Behandlungen zu verkürzen. Dieses neue Technologie namens Deep Predictor of Binding Specificity (DeepPBS) wurde an der University of Southern California entwickelt. DeepPBS ist ein geometrisches tiefes Lernmodell, das speziell dafür entwickelt wurde, die Bindungsspezifität von Protein-DNA-Komplexen vorherzusagen.
Durch die Möglichkeit, die Datenstruktur eines Protein-DNA-Komplexes in ein Online-Rechentool einzugeben, bietet DeepPBS eine schnellere und effizientere Methode zur Bestimmung, wie Proteine mit DNA interagieren. Im Gegensatz zu bestehenden Methoden, die oft auf eine Protein-Familie beschränkt sind, kann DeepPBS die Bindungsspezifität über verschiedene Protein-Familien hinweg vorhersagen. Dies ermöglicht es Forschern, universelle Methoden zu haben, die für alle Proteine funktionieren und nicht auf eine gut untersuchte Protein-Familie beschränkt sind.
DeepPBS verwendet ein geometrisches tiefes Lernmodell, einen Ansatz des Maschinellen Lernens, der Daten mithilfe geometrischer Strukturen analysiert. Dieses KI-Tool erfasst die chemischen Eigenschaften und geometrischen Kontexte von Protein-DNA-Interaktionen, um die Bindungsspezifität vorherzusagen. Zusätzlich zu Fortschritten in der Proteinstrukturvorhersage, wie etwa DeepMind’s AlphaFold, kann DeepPBS die Bindungsspezifität auch für Proteine vorhersagen, für die keine experimentellen Strukturen verfügbar sind.
Diese Innovation könnte die Gestaltung neuer Medikamente beschleunigen, die Behandlung von Krebsmutationen verbessern und zu Durchbrüchen in der synthetischen Biologie und der RNA-Forschung führen. Seit 1953, als Francis Crick und James Watson das Wort DNA erfunden haben, sind wir einen langen Weg gegangen, ein Moment, der seitdem legendär geworden ist.