Einzigartige KI-Methode zur Generierung von Proteinen wird die Medikamentenentwicklung beschleunigen

Vom Computerentwurf zu funktionierenden Proteinen in wenigen Wochen

31.03.2021 - Schweden

künstliche Intelligenz ist nun in der Lage, neuartige, funktionell aktive Proteine zu generieren, dank einer kürzlich veröffentlichten Arbeit von Forschern der Chalmers University of Technology, Schweden.

"Was wir jetzt demonstrieren können, bietet ein fantastisches Potenzial für eine Reihe zukünftiger Anwendungen, wie z. B. die schnellere und kosteneffizientere Entwicklung von Medikamenten auf Proteinbasis", sagt Aleksej Zelezniak, außerordentlicher Professor am Department of Biology and Biological Engineering der Chalmers.

Proteine sind große, komplexe Moleküle, die in allen lebenden Zellen eine entscheidende Rolle spielen, indem sie andere Moleküle in unseren Zellen aufbauen, modifizieren und abbauen. Sie werden auch häufig in industriellen Prozessen und Produkten sowie in unserem täglichen Leben verwendet.

Die komplexesten Knoten in Proteinen

Theoretische Physiker stellen Googles künstliche Intelligenz AlphaFold auf die Probe und finden die bisher komplexesten Proteinknoten

News lesen

Medikamente auf Proteinbasis sind sehr verbreitet - das Diabetes-Medikament Insulin ist eines der am häufigsten verschriebenen. Einige der teuersten und wirksamsten Krebsmedikamente sind ebenfalls proteinbasiert, ebenso wie die Antikörperformeln, die derzeit zur Behandlung von COVID-19 eingesetzt werden.

Vom Computerentwurf zu funktionierenden Proteinen in nur wenigen Wochen

Aktuelle Methoden für das Protein-Engineering basieren auf der Einführung von Zufallsmutationen in Proteinsequenzen. Mit jeder weiteren zufälligen Mutation nimmt jedoch die Aktivität des Proteins ab.

"Folglich muss man mehrere Runden von sehr teuren und zeitaufwändigen Experimenten durchführen und Millionen von Varianten screenen, um Proteine und Enzyme zu konstruieren, die sich am Ende deutlich von denen unterscheiden, die in der Natur vorkommen", sagt Forschungsleiter Aleksej Zelezniak:

"Dieser Engineering-Prozess ist sehr langsam, aber jetzt haben wir eine KI-basierte Methode, mit der wir in nur wenigen Wochen vom Computerdesign zum funktionierenden Protein gelangen können."

Die neuen Ergebnisse der Chalmers-Forscher wurden kürzlich in der Zeitschrift Nature Machine Intelligence veröffentlicht und stellen einen Durchbruch auf dem Gebiet der synthetischen Proteine dar. Die Forschungsgruppe von Aleksej Zelezniak und seinen Mitarbeitern hat einen KI-basierten Ansatz namens ProteinGAN entwickelt, der einen generativen Deep-Learning-Ansatz verwendet.

Im Wesentlichen wird der KI eine große Menge an Daten von gut untersuchten Proteinen zur Verfügung gestellt; sie studiert diese Daten und versucht, auf dieser Basis neue Proteine zu erstellen.

Gleichzeitig versucht ein anderer Teil der KI herauszufinden, ob die synthetischen Proteine gefälscht sind oder nicht. Die Proteine werden im System hin- und hergeschickt, bis die KI nicht mehr zwischen natürlichen und synthetischen Proteinen unterscheiden kann.

Diese Methode ist bekannt für die Erstellung von Fotos und Videos von Personen, die nicht existieren, aber in dieser Studie wurde sie für die Herstellung von sehr unterschiedlichen Proteinvarianten mit naturalistisch-ähnlichen physikalischen Eigenschaften verwendet, die auf ihre Funktionen getestet werden konnten.

Die in Alltagsprodukten weit verbreiteten Proteine sind nicht immer ganz natürlich, sondern werden durch Techniken der synthetischen Biologie und des Protein-Engineering hergestellt. Mit diesen Techniken werden die ursprünglichen Proteinsequenzen modifiziert, in der Hoffnung, synthetische neuartige Proteinvarianten zu schaffen, die effizienter, stabiler und auf bestimmte Anwendungen zugeschnitten sind. Der neue KI-basierte Ansatz ist von Bedeutung für die Entwicklung effizienter industrieller Enzyme sowie neuer proteinbasierter Therapien, wie z. B. Antikörper und Impfstoffe.

Ein kosteneffizientes und nachhaltiges Modell

Assistenzprofessor Martin Engqvist, ebenfalls vom Fachbereich Biologie und Bioingenieurwesen, war an der Konzeption der Experimente zum Testen der KI-synthetisierten Proteine beteiligt.

"Die Beschleunigung der Geschwindigkeit, mit der wir Proteine entwickeln, ist sehr wichtig, um die Entwicklungskosten für Enzymkatalysatoren zu senken. Dies ist der Schlüssel für die Realisierung von umweltverträglichen Industrieprozessen und Verbraucherprodukten, und unser KI-Modell sowie zukünftige Modelle werden dies ermöglichen. Unsere Arbeit ist ein wichtiger Beitrag in diesem Zusammenhang", sagt Martin Engqvist.

"Diese Art von Arbeit ist nur in der Art von multidisziplinärem Umfeld möglich, wie es an unserer Abteilung existiert - an der Schnittstelle von Informatik und Biologie. Wir haben perfekte Bedingungen, um die Eigenschaften dieser KI-entwickelten Proteine experimentell zu testen", sagt Aleksej Zelezniak.

Der nächste Schritt für die Forscher ist zu untersuchen, wie die Technologie für spezifische Verbesserungen der Proteineigenschaften eingesetzt werden könnte, wie z. B. eine erhöhte Stabilität, was für Proteine, die in der Industrietechnik eingesetzt werden, von großem Nutzen sein könnte.

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Originalveröffentlichung

Repecka, D., Jauniskis, V., Karpus, L. et al. Expanding functional protein sequence spaces using generative adversarial networks. Nat Mach Intell (2021).

https://www.bionity.com/de/news/1170469/einzigartige-ki-methode-zur-generierung-von-proteinen-wird-die-medikamentenentwicklung-beschleunigen.html

Originalveröffentlichung

Repecka, D., Jauniskis, V., Karpus, L. et al. Expanding functional protein sequence spaces using generative adversarial networks. Nat Mach Intell (2021).

Themen