Proteine können mit anderen Molekülen durch Eindringen oder Umschließen interagieren, je nach Form. Diese lässt sich - anders als beim Blick in den heimischen Werkzeugkasten - nicht ohne weiteres feststellen, sondern nur mit teuren und aufwendigen Experimenten.
Forscherinnen und Forscher des Steinbuch Centre for Computing (SCC), dem Rechenzentrum des KIT, haben dafür zunächst Datenbanken für Proteinsequenzen durchkämmt und gleiche Proteine unterschiedlicher Spezies verglichen. "Hämoglobin, das in unserem Körper für den Sauerstofftransport zuständig ist, gibt es auch beim Insekt, bei der Feldmaus und beim Schimpansen", erklärt Markus Götz, Datenanalyst beim SCC.
Den Aufbau eines Proteins kann man sich dabei wie eine Perlenkette vorstellen, an der Proteinteile, die Aminosäuren, aufgereiht sind. Seine dreidimensionale Struktur - und damit seine Eigenschaften - erhält es, indem sich manche weit voneinander entfernte "Perlen" zu Paaren zusammenschließen und das Protein so falten.
Bei verschiedenen Organismen können sich diese Paarungen unterscheiden, die Eigenschaften des Proteins bleiben aber dennoch gleich. "Schädliche Mutationen wurden im Laufe der Evolution ausgefiltert", sagt Götz.
Das Team um Götz hat nun einer Künstlichen Intelligenz (KI) beigebracht, welche Kopplungen in bekannten Proteinsequenzen evolutionär erfolgreich waren. "Wir erwarten, dass das System so auch Rückschlüsse auf den Aufbau unbekannter Proteinsequenzen ziehen kann", so Götz.
Der Nutzen: "Es ist sehr einfach zu bestimmen, aus welchen Aminosäuren eine Proteinkette besteht. Proteinstrukturen direkt experimentell zu bestimmen, ist aber sehr aufwendig und kostet Millionen", ergänzt Alexander Schug vom SCC.
Der Ansatz, Kontakte in Proteinen von einer KI vorhersagen zu lassen, ist nicht ganz neu. "Aktuell werden dafür vor allem Methoden aus der Bildverarbeitung eingesetzt", sagt Götz. Solche Neuronalen Netzwerke könnten Muster gut erkennen. Bei der Proteinstruktur spielten aber besonders jene Kontakte von Proteinteilen eine Rolle, die besonders weit auseinander liegen, weil sie beim Falten einen stärkeren Einfluss auf die Form haben als solche, die nahe beieinander liegen.
"Daher verfolgen wir stattdessen einen Ansatz aus der automatisierten Sprachübersetzung. Wir betrachten die Aminosäureketten als Sätze, die in eine andere Sprache übersetzt werden." Sogenannte "Self-Attention Neural Networks" kommen in populären Übersetzungsprogrammen zum Einsatz. Sie können erkennen, welche Teile des Satzes miteinander in Beziehung stehen oder - im Proteinkontext - welche Aminosäuren miteinander einen Kontakt bilden.
MEDICA.de; Quelle: KIT-Zentrum
