Künstliche Intelligenz-Systeme entdecken Baupläne für künstliche Proteine

Ein Team von Forschern der Pritzker School of Molecular Engineering (PME) an der University of Chicago hat kürzlich die Entwicklung eines KI-Systems erfolgreich abgeschlossen, das in der Lage ist, völlig neue, künstliche Proteine zu erstellen, indem es große Datenmengen analysiert.

Proteine sind Makromoleküle, die für den Aufbau von Gewebe in Lebewesen unerlässlich sind und für das Leben von Zellen im Allgemeinen von entscheidender Bedeutung sind. Proteine werden von Zellen als chemische Katalysatoren verwendet, um verschiedene chemische Reaktionen auszuführen und komplexe Aufgaben zu erfüllen. Wenn Wissenschaftler herausfinden, wie sie künstliche Proteine zuverlässig konstruieren können, könnte dies neue Wege für die Kohlenstoffbindung, neue Methoden für die Energiegewinnung und neue Behandlungsmöglichkeiten für Krankheiten eröffnen. Künstliche Proteine haben die Macht, die Welt, in der wir leben, dramatisch zu verändern. Wie von EurekaAlert berichtet, hat ein kürzlicher Durchbruch von Forschern an der PME der Universität von Chicago Wissenschaftler näher an diese Ziele gebracht. Die Forscher der PME nutzten maschinelles Lernen, um ein System zu entwickeln, das in der Lage ist, neue Formen von Proteinen zu generieren.

Das Forschungsteam erstellte maschinelle Lernmodelle, die auf Daten aus verschiedenen genetischen Datenbanken trainiert wurden. Als die Modelle lernten, begannen sie, gemeinsame zugrunde liegende Muster, einfache Designregeln, zu erkennen, die die Erstellung künstlicher Proteine ermöglichen. Nachdem die Muster genommen und die entsprechenden Proteine im Labor synthetisiert worden waren, stellten die Forscher fest, dass die künstlichen Proteine chemische Reaktionen auslösten, die etwa so effektiv waren wie die von natürlich vorkommenden Proteinen.

Laut Joseph Regenstein Professor an der PME UC, Rama Ranganathan, fand das Forschungsteam heraus, dass Genomdaten eine enorme Menge an Informationen über die grundlegenden Funktionen und Strukturen von Proteinen enthalten. Durch die Verwendung von maschinellem Lernen, um diese gemeinsamen Strukturen zu erkennen, konnten die Forscher “die Regeln der Natur in eine Flasche füllen, um Proteine selbst zu erstellen”.

Die Forscher konzentrierten sich in dieser Studie auf metabolische Enzyme, insbesondere auf eine Familie von Proteinen namens Chorismat-Mutase. Diese Proteinfamilie ist für das Leben in einer Vielzahl von Pflanzen, Pilzen und Bakterien unerlässlich.

Ranganathan und seine Mitarbeiter erkannten, dass Genomdatenbanken Erkenntnisse enthielten, die nur darauf warteten, von Wissenschaftlern entdeckt zu werden, aber dass herkömmliche Methoden zur Ermittlung der Regeln für Proteinstruktur und -funktion nur begrenzten Erfolg hatten. Das Team entwickelte maschinelle Lernmodelle, die in der Lage waren, diese Designregeln aufzudecken. Die Ergebnisse der Modelle deuten darauf hin, dass neue künstliche Sequenzen durch die Erhaltung von Aminosäurepositionen und -korrelationen in der Evolution von Aminosäurepaaren erstellt werden können.

Das Team von Forschern erstellte synthetische Gene, die Aminosäuresequenzen codierten, die diese Proteine produzierten. Sie klonierten Bakterien mit diesen synthetischen Genen und fanden heraus, dass die Bakterien die synthetischen Proteine in ihrer zellulären Maschinerie verwendeten, die fast genau wie normale Proteine funktionierten.

Laut Ranganathan können die einfachen Regeln, die ihr KI-System erkannt hat, verwendet werden, um künstliche Proteine von unglaublicher Komplexität und Vielfalt zu erstellen. Wie Ranganathan gegenüber EurekaAlert erklärte:

“Die Einschränkungen sind viel kleiner, als wir jemals dachten, dass sie sein würden. Es gibt eine Einfachheit in den Designregeln der Natur, und wir glauben, dass ähnliche Ansätze uns helfen können, Modelle für die Konstruktion in anderen komplexen biologischen Systemen wie Ökosystemen oder dem Gehirn zu finden.”

Ranganathan und seine Mitarbeiter möchten ihre Modelle verallgemeinern und eine Plattform erstellen, die Wissenschaftlern hilft, besser zu verstehen, wie Proteine konstruiert werden und welche Auswirkungen sie haben. Sie hoffen, ihre KI-Systeme zu nutzen, um anderen Wissenschaftlern zu ermöglichen, Proteine zu entdecken, die wichtige Probleme wie den Klimawandel angehen können. Ranganathan und Associate Professor Andrew Ferguson haben ein Unternehmen namens Evozyne gegründet, das darauf abzielt, die Technologie zu kommerzialisieren und ihre Verwendung in Bereichen wie Landwirtschaft, Energie und Umwelt zu fördern.

Das Verständnis der Gemeinsamkeiten zwischen Proteinen und der Beziehungen zwischen Struktur und Funktion könnte auch bei der Entwicklung neuer Medikamente und Therapieformen helfen. Obwohl die Proteinfaltung lange als ein extrem schwieriges Problem für Computer angesehen wurde, könnten die Erkenntnisse aus Modellen wie dem von Ranganathans Team dazu beitragen, die Geschwindigkeit dieser Berechnungen zu erhöhen und die Entwicklung neuer Medikamente auf der Grundlage dieser Proteine zu erleichtern. Es könnten Medikamente entwickelt werden, die die Produktion von Proteinen in Viren blockieren, was möglicherweise bei der Behandlung von neuen Viren wie dem Covid-19-Coronavirus helfen könnte.

Ranganathan und das restliche Forschungsteam müssen noch verstehen, wie und warum ihre Modelle funktionieren und wie sie zuverlässige Proteindesigns produzieren. Das nächste Ziel des Forschungsteams ist es, besser zu verstehen, welche Attribute die Modelle berücksichtigen, um zu ihren Schlussfolgerungen zu gelangen.