Neue Methode zur computergestützten Modellierung großer Proteine

Zwei Wissenschaftler von der Freien Universität Berlin haben eine neue Methode zur Modellierung großer Proteine und anderer Biomoleküle im Computer vorgestellt, bei der Vorgehensweisen Künstlicher Intelligenz und statistischer Physik kombiniert werden.

Veröffentlicht wurde die Studie in der Fachzeitschrift Proceedings of the National Academy of Science of the USA. Das Projekt wurde gefördert vom Europäischen Forschungsrat, der Deutschen Forschungsgemeinschaft und der Alexander von Humboldt-Stiftung.

"Die wesentliche Erkenntnis ist, dass sich Proteine ein wenig wie soziale Netzwerke verhalten", erklärt der Erstautor der Studie und Stipendiat der Alexander von Humboldt-Stiftung Dr. Simon Olsson, der zurzeit an der Freien Universität Berlin forscht. Proteine bestünden aus kleinen Bausteinen, deren spezifische Zusammensetzung die Funktionsweise eines Proteins definierten.

In bisherigen Simulationsmethoden seien Proteine jedoch gewöhnlich als einzelnes, vollständiges Molekül betrachtet worden. "Die Bausteine haben allerdings eine besondere Rolle, wenn sich das Protein dynamisch verformt", erklärt Prof. Dr. Frank Noé von der Freien Universität Berlin. "Sie schalten zwischen verschiedenen Zuständen mit unterschiedlichen räumlichen Strukturen. Die Sequenz, in der diese sogenannten Schalter kippen, bestimmt seine Funktion."

Problematisch ist Dr. Simon Olsson zufolge jedoch, dass niemals alle Einstellungen der Schalter simuliert werden könnten. "Es gibt zu viele davon - die Zahl der möglichen Schalteinstellungen, und damit der räumlichen Strukturen, wächst exponentiell mit der Anzahl der Schalter: Wenn ein Schalter zwei Einstellungen hat, besitzen zwei Schalter vier Einstellungsmöglichkeiten, drei Schalter acht und so weiter." Bei 200 Schaltern gebe es daher so viele Einstellungsmöglichkeiten wie Atome im Universum.

"Indem wir die Simulation so formulieren, dass jeder Proteinbaustein als Schalter betrachtet wird, und dadurch gewissermaßen lernen, mit welchen Regeln ein bestimmter Schalter im Kontext mit anderen kippt, können wir dieses Skalierungsproblem umgehen und große Proteine modellieren", erklärt Simon Olsson. Dieser Lernvorgang werde mit Methoden des maschinellen Lernens umgesetzt, ein Teilgebiet der Künstlichen Intelligenz (KI).

Das soziale Netzwerk von Proteinen könne somit mithilfe von KI ermittelt werden. "Wenn wir das Netzwerk kennen, ist es nicht mehr nötig, alle Schalteinstellungen der Proteinbausteine gesehen zu haben", sagt Frank Noé. "Wir haben die Regeln des Schaltwerks gelernt und können damit ohne aufwendige Simulationen jeden möglichen Zustand von Proteinen bei Bedarf vorhersagen und beschreiben."

"Biologische Moleküle bestehen aus sehr vielen Atomen, sind aber viel zu klein sind, um mit bloßem Auge gesehen zu werden", sagt Dr. Simon Olsson. Ihre Funktionsweise zu analysieren sei deshalb schwierig. Die funktionelle Beschreibung von Proteinen und anderen Biomolekülen sei aber essenziell für medizinische und biotechnologische Anwendungen, etwa für die Entwicklung von Wirkstoffen gegen multiresistente Keime sowie von effizienten aber risikoarmen Pflanzenschutzmitteln

» Originalpublikation

Quelle: Freie Universität Berlin