Kunstig intelligens til at forudsige proteinstruktur

Proteiner er biologiske højtydende maskiner. De kan findes i hver celle og spiller en vigtig rolle i menneskelig blodkoagulation eller som hovedbestanddele i hår eller muskler. Funktionen af ​​disse molekylære værktøjer er tydelig fra deres struktur. Forskere fra Karlsruhe Institute of Technology (KIT) har nu udviklet en ny metode til at forudsige denne proteinstruktur ved hjælp af kunstig intelligens.

Afhængigt af deres struktur, proteiner kan interagere med andre molekyler ved at trænge ind eller omslutte dem. Dette er meget svært at opdage, de forsøg, der er nødvendige til dette formål, er dyre og komplekse. Forskere fra Steinbuch Center for Computing (SCC), computercentret for KIT, har søgt i databaserne for proteinsekvenser og sammenlignet de samme proteiner af forskellige arter. "Hæmoglobin, der er ansvarligt for transport af ilt i vores krop, kan også findes i insekter, musmus, og chimpanser, " siger Markus Götz, dataanalytiker i SCC. Proteinstrukturen ligner en perlerække, med strengen bestående af proteinkomponenterne, aminosyrerne. Dens tredimensionelle struktur og de tilhørende egenskaber skyldes nogle fjerne "perler", der danner par, dermed foldning af proteinet. Disse par kan være forskellige i forskellige organismer. Proteinets egenskaber, imidlertid, forblive den samme. "Skadelige mutationer sorteres fra i løbet af evolutionen, " siger Götz.

Nu, Götzs forskerhold har undervist i et kunstigt intelligenssystem (AI), som par viste sig at have succes i kendte proteinsekvenser under evolution. "Vi forventer, at systemet også drager konklusioner med hensyn til strukturen af ​​ukendte proteinsekvenser, " siger Götz. Fordelen:"Det er nemt at bestemme de aminosyrer, der danner proteinkæden. Imidlertid, det er meget komplekst og koster millioner at bestemme proteinstrukturer direkte eksperimentelt, "Alexander Schug, SCC, tilføjer.

Brugen af ​​AI til at forudsige kontakter i proteiner er ikke ny. "I øjeblikket, billedbehandlingsmetoder anvendes til dette formål, " siger Götz. Sådanne neurale netværk kan godt genkende mønstre. Når proteinstrukturen bestemmes, imidlertid, kontakter af proteinkomponenter placeret langt væk fra hinanden er af afgørende betydning, fordi de har en stærkere indflydelse på strukturen under foldning end dem, der er placeret tæt på hinanden. "Af denne grund, vi bruger en tilgang fra automatisk sprogoversættelse. Vi betragter aminosyrekædernes sætninger, der skal oversættes til et andet sprog. "Såkaldte" self-attention neurale netværk "anvendes i populære oversættelsesprogrammer. De kan identificere, hvilke dele af sætningen der er forbundet eller, i proteinsammenhæng, hvilke aminosyrer danner et par.