Forscher entwickeln neue KI-Pipeline zur Identifizierung molekularer Wechselwirkungen

Das Verständnis, wie Proteine ​​miteinander interagieren, ist entscheidend für die Entwicklung neuer Behandlungsmethoden und das Verständnis von Krankheiten. Dank rechnerischer Fortschritte hat ein Forscherteam unter der Leitung des Assistenzprofessors für Chemie Alberto Perez einen Algorithmus zur Identifizierung dieser molekularen Wechselwirkungen entwickelt.

Zu Perez‘ Forschungsteam gehörten zwei Doktoranden der UF, Arup Mondal und Bhumika Singh, sowie eine Handvoll Forscher der Rutgers University und des Rensselaer Polytechnic Institute. Das Team veröffentlicht ihre Erkenntnisse in Angewandte Chemie Internationale Ausgabe.

Dieses innovative Tool mit dem Namen AF-CBA-Pipeline bietet beispiellose Genauigkeit und Geschwindigkeit bei der Lokalisierung der stärksten Peptidbinder an ein bestimmtes Protein. Dazu nutzt es KI, um molekulare Wechselwirkungen zu simulieren und Tausende von Kandidatenmolekülen zu sortieren, um das Molekül zu identifizieren, das am besten mit dem Protein von Interesse interagiert.

Der KI-gesteuerte Ansatz ermöglicht es der Pipeline, diese Aktionen in einem Bruchteil der Zeit auszuführen, die Menschen oder herkömmliche physikbasierte Ansätze für die Bewältigung derselben Aufgabe benötigen würden.

„Stellen Sie es sich wie ein Lebensmittelgeschäft vor“, erklärte Perez. „Wenn man das bestmögliche Obst kaufen möchte, muss man Größen und Eigenschaften vergleichen. Es gibt natürlich zu viele Früchte, um sie alle zu probieren, also vergleicht man ein paar, bevor man eine Auswahl trifft. Diese KI-Methode kann jedoch nicht nur „Ich probiere sie alle aus, kann aber auch zuverlässig das Beste heraussuchen.“

Typischerweise sind die Proteine ​​von Interesse diejenigen, die unserem Körper den größten Schaden zufügen, wenn sie sich schlecht verhalten. Indem die Pipeline herausfindet, welche Moleküle mit diesen problematischen Proteinen interagieren, eröffnet sie Möglichkeiten für gezielte Therapien zur Bekämpfung von Krankheiten wie Entzündungen, Immunschwäche und Krebs.

„Die Kenntnis der Struktur des stärksten Peptidbinders hilft uns wiederum bei der rationalen Entwicklung neuer Arzneimitteltherapeutika“, sagte Perez.

Der bahnbrechende Charakter der Pipeline wird durch die Grundlage bereits bestehender Technologie verstärkt: ein Programm namens AlphaFold. AlphaFold wurde von Google Deepmind entwickelt und nutzt Deep Learning, um Proteinstrukturen vorherzusagen. Diese Abhängigkeit von vertrauter Technologie wird sich positiv auf die Zugänglichkeit der Pipeline für Forscher auswirken und dazu beitragen, ihre zukünftige Einführung sicherzustellen.

In Zukunft wollen Perez und sein Team ihre Pipeline erweitern, um weitere biologische Erkenntnisse zu gewinnen und Krankheitserreger zu hemmen. Sie haben zwei Viren im Visier: das Maus-Leukämie-Virus und das Kaposi-Sarkom-Virus. Beide Viren können schwerwiegende Gesundheitsprobleme, insbesondere Tumore, verursachen und mit bisher unbekannten Proteinen interagieren.

„Wir wollen neuartige Peptidbibliotheken entwerfen“, sagte Perez. „AF-CBA wird es uns ermöglichen, die entwickelten Peptide zu identifizieren, die stärker binden als die viralen Peptide.“

Mehr Informationen:
Arup Mondal et al, Eine Computerpipeline zur genauen Priorisierung von Protein-Protein-Bindungskandidaten in Hochdurchsatz-Proteinbibliotheken, Angewandte Chemie Internationale Ausgabe (2024). DOI: 10.1002/ange.202405767

Zur Verfügung gestellt von der University of Florida

ph-tech