Hintergrund: Wie Googles AlphaFold die Molekularbiologie revolutioniert…

0

Die KI-Anwendung AlphaFold der Google-Tochter DeepMind hat jetzt in einem Wettbewerb eine bemerkenswerte Leistung gezeigt: Von rund 100 Sequenzen berechnete AlphaFold gut zwei Drittel mit einer so hohen Qualität, wie sie bisher nur teure und komplexe Analysen liefern konnten.

Im Vergleich zu anderen konkurrierenden KI-Methoden erwies sich AlphaFold als weitaus überlegen.

Experten bewerten die Leistung daher als sehr hoch und allgemein als einen Durchbruch, der die Biowissenschaften und die Medizin entscheidend voranbringen wird.

Die Kenntnis der Form von Proteinen erlaubt es uns zu verstehen, wie sie in den Zellen interagieren, und Medikamente speziell für bestimmte Proteine in Bezug auf räumliche Ausdehnung und Ladungsverteilung zu entwickeln.

Harte Nuss zum Knacken
Jahrzehnte für ein Protein
Sehr hohe Genauigkeit
Grenzen verschoben
Beziehung zwischen Mutation und 3D-Form

Alles Leben basiert auf den vielfältigen Funktionen der Proteine und ihre Funktionen wiederum basieren auf den 3D-Formen der Proteine.

Von vielen ist jedoch nur die Sequenz der Aminosäuren bekannt, aus denen sie sich zusammensetzen (die oft leicht aus dem Genom abgelesen werden kann), während die 3D-Struktur unbekannt ist.

DeepMind von Google hat eine sehr harte Nuss in der Biologie geknackt: Es bestimmt die 3D-Strukturen von Proteinen, die als Grundlage aller Lebensfunktionen gelten.

Die Bestimmung der 3D-Struktur einer Aminosäuresequenz ist eine der großen Herausforderungen in der Biologie.

Jede Sequenz kann eine Vielzahl von 3D-Formen annehmen, aber für jedes Protein sind nur einige wenige 3D-Formen biologisch aktiv.

Die Röntgenkristallographie lieferte ab den 1950er Jahren die ersten vollständigen Strukturen von Proteinen.

Röntgenstrahlen werden durch die kristallisierten Proteine geleitet, aber oft ist die Herstellung eines Proteinkristalls die erste große Hürde.

Die Röntgenstrahlen werden beim Durchgang durch den Kristall gebeugt, und die Atomkoordinaten des Proteins werden dann auf der Grundlage der Beugungsbilder, die manchmal Rorschach-Mustern ähneln, berechnet.

In den letzten zehn Jahren wurde die Röntgenkristallographie zunehmend durch die Kryo-EM ersetzt.

Mit beiden Techniken beschäftigen sich Forschungsgruppen oft jahrelang mit einem einzigen Protein und sind noch immer nicht immer erfolgreich.

Bisher konnte die Forschung diese Frage nur durch jahrelange Laborexperimente mit Röntgenkristallographie und Kryo-Elektronenmikroskopie (Kryo-EM) gut genug beantworten.

Man möchte aber die 3D-Struktur möglichst vieler Proteine kennen, um Lebensprozesse genau zu verstehen und Krankheiten gezielter als bisher behandeln zu können.

Zum Beispiel kann das Spike-Protein des SARS-Cov-2-Virus völlig anders gefaltet sein als das im Virus vorkommende – die anderen Formen fungieren jedoch nicht als Türöffner in die Zelle und treten nur auf, wenn die Viruspartikel deformiert werden (zum Beispiel durch Hitze oder UV-Strahlung).

Die richtige 3D-Struktur entsteht in biologischen Systemen bereits bei der Proteinbiosynthese, weil sie die biochemischen Bedingungen in den Zellen begünstigen.

Doch für die überwiegende Mehrheit der Proteine lautet das große Rätsel: In welcher der vielen 3D-Formen liegen sie in der Zelle vor?

Bei der ersten Implementierung von AlphaFold, die bereits beim CASP-Challenge 2018 die besten Ergebnisse lieferte, wurden KI-Methoden auf strukturelle und genetische Daten angewandt, um den Abstand zwischen Aminosäurenpaaren in einem Protein vorherzusagen.

In einem zweiten Schritt erzeugte AlphaFold dann ein Konsensmodell des Proteins, erklärte John Jumper von DeepMind, der das Projekt leitet.

In der aktuellen Herausforderung, die am 30.

In der aktuellen Challenge, die am 30. November endete, bestimmte das AlphaFold-Programm von DeepMind die Form von etwa zwei Dritteln der Proteine mit einer Genauigkeit, die mit den Ergebnissen von Laborexperimenten vergleichbar ist.

Auf einer Skala von 0 bis 100 Punkten erreichte die AlphaFold in zwei Dritteln der Fälle etwa 90 Punkte, während die Anwendungen der übrigen Teams in der Regel 75 Punkte nicht überschritten.

Selbst die schwächeren Ergebnisse der AlphaFold waren noch beeindruckend, schreiben die CASP-Organisatoren.

Dies ist einer der Gründe, warum bereits vor Jahrzehnten Computeralgorithmen entwickelt wurden, um die 3D-Struktur auf der Grundlage der Aminosäuresequenz zu bestimmen.

Diese Ansätze führten jedoch nur zu mäßigen Erfolgen.

Seit 1994 treffen sich unter dem Dach der Organisation Critical Assessment of Techniques for Protein Structure Prediction alle zwei Jahre Forschungsteams aus aller Welt und feuern sich gegenseitig in einem mehrmonatigen Wettbewerb an.

Doktorarbeit

Kryshtafovych, einer der Organisatoren der CASP-Konferenz, sagte: “Was AlphaFold erreicht hat, ist wirklich bemerkenswert, und die heutige Ankündigung ist ein Sieg für DeepMind.

Aber es ist auch ein Triumph für die Teamwissenschaft.

Die Fähigkeit, schnell und präzise .

Share.

Leave A Reply