Forscher verwenden natürliche Sprachverarbeitungsalgorithmen, um Proteumwandlungen zu verstehen

Forscher der University of Maryland haben kürzlich natürliche Sprachverarbeitungstechniken und Machine-Learning-Algorithmen eingesetzt, um Einblicke in die Veränderung von Proteinmolekülen von einer Form in eine andere Form zu gewinnen. Die kürzlich veröffentlichte Studie, die im Journal Nature Communications veröffentlicht wurde, ist das erste Mal, dass ein KI-Algorithmus verwendet wurde, um die Dynamik von biomolekularen Systemen in Bezug auf die Umwandlung von Proteinen zu untersuchen.

Proteinmoleküle können verschiedene Formen annehmen, aber die Mechanismen, die eine Proteinmolekül veranlassen, von einer Form in eine andere Form zu wechseln, sind noch immer etwas mysteriös. Die Funktion einer Proteinmolekül wird durch ihre Form bestimmt, und ein besseres Verständnis der Mechanismen, die die Form/Struktur eines Proteins beeinflussen, könnte es Wissenschaftlern ermöglichen, gezielte Arzneimitteltherapien zu entwickeln und die Ursache von Krankheiten zu bestimmen.

Biologische Moleküle sind nicht stationär, sie bewegen sich ständig in Reaktion auf Ereignisse in ihrer Umgebung. Umweltbedingungen können Moleküle veranlassen, in verschiedene Formen zu wechseln, oft sehr plötzlich. Ein Molekül kann sich plötzlich in eine völlig andere Struktur umfalten, in einem Prozess, der sehr ähnlich dem Ausrollen einer Feder ist. Verschiedene Teile des Moleküls falten und entfalten sich, und die Forscher untersuchten die Zwischenstufen zwischen den verschiedenen molekularen Formen.

Laut Phys.org war Pratyush Tiwary der Hauptautor der Studie und ist Assistant Professor am Department of Chemistry and Biochemistry und am Institute for Physical Science and Technology der University of Maryland. Laut Tiwary kann die natürliche Sprachverarbeitung verwendet werden, um zu modellieren, wie Moleküle transformieren und sich anpassen. Tiwary bemerkt, dass Moleküle eine bestimmte “Sprache” sprechen, mit den Bewegungen, die Moleküle machen, die in eine abstrakte Sprache übersetzt werden können. Wenn dieser Prozess der Zuordnung von Molekülbewegungen zu Sprachmustern durchgeführt wird, können natürliche Sprachverarbeitungstechniken und KI-Algorithmen verwendet werden, um “biologisch wahre Geschichten aus den resultierenden abstrakten Wörtern zu generieren”.

Wenn ein Molekül von einer Form in eine andere Form wechselt, erfolgt der Übergang extrem schnell. Der Übergang kann nur so lange dauern wie ein Billionstel einer Sekunde. Die enorme Geschwindigkeit des Übergangs macht es schwierig für Wissenschaftler, mit Methoden wie Spektroskopie oder sogar hochleistungsfähigen Mikroskopen zu bestimmen, welche Parameter den Entfaltungsprozess beeinflussen. Um zu bestimmen, welche Parameter die Entfaltung von Proteinen beeinflussen, erstellten Tiwary und das Forschungsteam physikalische Modelle, die Proteine simulierten. Komplexe statistische Modelle wurden verwendet, um Protein-Simulationen zu erstellen, die die Form, Traektorie und Bewegung der Moleküle emulierten. Die Modelle wurden dann einem maschinellen Lernalgorithmus basierend auf natürlichen Sprachverarbeitungsmethoden gegeben.

Die natürlichen Sprachverarbeitungsmodelle, die verwendet wurden, um das maschinelle Lernsystem zu trainieren, waren sehr ähnlich den Algorithmen, die in den predictiven Textsystemen von Gmail verwendet werden. Die simulierte Proteine wurden als eine Sprache behandelt, in der die Bewegungen der Moleküle in “Buchstaben” übersetzt wurden. Die Buchstaben wurden dann zu Wörtern und Sätzen verknüpft. Die maschinellen Lernalgorithmen konnten die grammatischen und syntaktischen Regeln hinter den Proteinstrukturen lernen, um zu bestimmen, welche Formen/Bewegungen anderen Formen/Bewegungen folgten. Die Algorithmen konnten dann verwendet werden, um vorherzusagen, wie bestimmte Proteine sich entfalten und welche Formen sie annehmen würden.

Die Forscher verwendeten ein Long-Short-Term-Memory-Netzwerk (LSTM), um die proteinbasierten Sätze zu analysieren. Das Forschungsteam überwachte auch die Mathematik, auf der das Netzwerk basierte, und überwachte die Parameter, während das Netzwerk die Dynamik der molekularen Transformation lernte. Laut den Ergebnissen der Studie verwendete das Netzwerk eine Logik, die sehr ähnlich einem statischen Physik-Konzept namens Pfad-Entropie war. Wenn diese Entdeckung konstant bleibt, könnte sie möglicherweise zu Verbesserungen in LSTM-Netzwerken führen. Tiwary erklärte, dass die Entdeckung einen Teil der Black-Box-Natur eines LSTM aufdeckt, was es Forschern ermöglicht, besser zu verstehen, welche Parameter für eine optimale Leistung eingestellt werden können.

Als Testfall für ihren Algorithmus analysierten die Forscher ein Biomolekül namens Riboswitch. Riboswitch war bereits mit Spektroskopie analysiert worden, und als Riboswitch mit dem maschinellen Lernsystem analysiert wurde, entsprachen die vorhergesagten Riboswitch-Formen denjenigen, die durch Spektroskopie entdeckt worden waren.

Tiwary hofft, dass ihre Ergebnisse es Forschern ermöglichen werden, gezielte Medikamente mit weniger Nebenwirkungen zu entwickeln. Wie Tiwary über Phys.org erklärte:

“Man möchte potenten Medikamente haben, die sehr stark binden, aber nur an das, was man möchte, dass sie binden. Wir können das erreichen, wenn wir die verschiedenen Formen verstehen, die ein bestimmtes Biomolekül annehmen kann, weil wir Medikamente entwickeln können, die nur an eine dieser spezifischen Formen binden, zum richtigen Zeitpunkt und nur so lange, wie wir wollen.”