Wissenschaftler haben einen neuen Weg gefunden, um vorherzusagen, wie Proteine ihre Form verändern, wenn sie funktionieren, was wichtig ist, um zu verstehen, wie sie in lebenden Systemen arbeiten. Künstliche Intelligenz (KI) hat es in letzter Zeit ermöglicht, vorherzusagen, wie Proteine in ihrem Ruhezustand aussehen, aber herauszufinden, wie sie sich bewegen, ist immer noch eine Herausforderung, da es nicht genügend direkte Daten aus Experimenten über Proteinbewegungen gibt, um die neuronalen Netzwerke zu trainieren. In einer Studie, die am 20. August in den Proceedings of the National Academy of Sciences veröffentlicht wurde, kombinierten Peter Wolynes von der Rice University und seine Kollegen in China Informationen über Proteinenergielandschaften mit Deep-Learning-Techniken, um diese Bewegungen vorherzusagen.
Ihr Verfahren verbessert AlphaFold2 (AF2), ein Werkzeug, das statische Proteinstrukturen vorhersagt, indem es ihm beibringt, sich auf “energetische Frustration” zu konzentrieren. Proteine haben sich entwickelt, um energetische Konflikte zwischen ihren Teilen zu minimieren, damit sie in ihre statische Struktur geleitet werden können. Wo Konflikte bestehen bleiben, spricht man von Frustration. Die Forscher haben ihre Methode an dem Protein Adenylatkinase getestet und festgestellt, dass seine vorhergesagten Bewegungen mit experimentellen Daten übereinstimmen. Sie haben auch erfolgreich die funktionellen Bewegungen anderer Proteine vorhergesagt, die ihre Form signifikant verändern.
Die Energielandschaftstheorie, mit der Wolynes und seine Mitarbeiter über die Jahrzehnte gearbeitet haben, ist ein wesentlicher Bestandteil dieses Verfahrens, aber die jüngsten KI-Codes wurden darauf trainiert, lediglich die stabilsten Proteinstrukturen vorherzusagen und die verschiedenen Formen zu ignorieren, die Proteine annehmen könnten, wenn sie funktionieren. Wolynes sagte: “Diese Forschung verdeutlicht die Bedeutung des nicht Vergessens oder Aufgebens physikbasierter Methoden im Post-AlphaFold-Ära, in der der Schwerpunkt auf agnostischem Lernen aus experimentellen Daten ohne jeglichen theoretischen Input lag.”integrating AI with biophysical insights will significantly impact future practical applications, including drug design, enzyme engineering and understanding disease mechanisms.”Die Forscher lehrten die KI, diese frustrierten Regionen zu ignorieren, um ihre Vorhersagen zu führen, was es dem Code ermöglichte, alternative Proteinstrukturen und funktionelle Bewegungen genau vorherzusagen. Das Forschungspapier hebt hervor, wie wichtig es ist, KI mit biophysikalischen Erkenntnissen zu integrieren, um zukünftige praktische Anwendungen wie Arzneimitteldesign, Enzymtechnik und das Verständnis der Krankheitsmechanismen zu beeinflussen.