Beim Proteindesign, einem entscheidenden Aspekt der Biowissenschaften, handelt es sich um die Schaffung von Aminosäuresequenzen, die sich in gewünschte Proteinstrukturen falten. Dieser Prozess, der als Problem der inversen Faltung von Proteinen bekannt ist, stellt auf diesem Gebiet eine Herausforderung dar.
Zu diesem Zweck stellte ein Forscherteam der Tsinghua-Universität (THU) in China DIProT vor, ein interaktives Protein-Design-Toolkit, das ein nicht-autoregressives tiefes generatives Modell nutzt, um dieses Problem anzugehen.
„Proteine spielen bei zahlreichen biologischen Funktionen eine entscheidende Rolle“, erklärt der korrespondierende Autor der Studie Xiaowo Wang, Professor am Fachbereich Automatisierung der Tsinghua-Universität. „Sowohl die Vorhersage der Struktur einer bestimmten Proteinsequenz, wie am Beispiel von AlphaFold, als auch das Entwerfen von Aminosäuresequenzen, die einer bestimmten Proteinstruktur entsprechen, stellen ihre besonderen Herausforderungen dar.“
Bei der Entwicklung von DIProT haben die Forscher Deep-Learning-Modelle mit menschlichem Fachwissen direkt in den Designprozess integriert und so die Effizienz und Effektivität des Proteindesigns verbessert.
„Der einzigartige Ansatz von DIProT ermöglicht es Benutzern, die Zielstruktur anzugeben und Teile der Sequenz zu fixieren, die sie beibehalten möchten , was die Flexibilität des Designprozesses erhöht“, fügt Wang hinzu. „Das Toolkit enthält außerdem ein Proteinstrukturvorhersagemodell zur Bewertung von Designs in silico und bildet so eine virtuelle Designschleife, die die Effizienz des Proteindesigns erheblich verbessert.“
Eines der Hauptmerkmale von DIProT ist seine benutzerfreundliche grafische Benutzeroberfläche (GUI), die mehrere Algorithmen integriert, um eine schnelle und intuitive Feedback-Designschleife zu ermöglichen. Die GUI ermöglicht Benutzern die visuelle Interaktion mit den Designergebnissen und erleichtert so das Verständnis und die Interpretation.
https://www.sciencedirect.com/science/article/pii/S2405805X24000115
