USA: Neuer Ansatz zur Vorhersage katalytischer Residuen
Ein von Wissenschaftlern entwickeltes KI‑System namens Squidly ermöglicht die Vorhersage katalytischer Aminosäuren ausschließlich aus Proteinsequenzen. Das Verfahren kombiniert kontrastives Lernen mit Protein‑Language‑Model‑Einbettungen und übertrifft damit aktuelle maschinelle Lernmethoden, die auf dreidimensionalen Strukturen basieren.
Hintergrund und Notwendigkeit
Enzyme spielen eine zentrale Rolle in nachhaltiger Chemie, Arzneimittelherstellung und Bioremediation. Die genauen katalytischen Residuen zu bestimmen, ist dafür entscheidend, doch herkömmliche Verfahren wie BLAST benötigen bereits annotierte Homologe und liefern nur begrenzte Genauigkeit. Moderne ML‑Ansätze benötigen häufig hochwertige 3D‑Strukturen, was ihre Anwendung auf große Datenmengen erschwert.
Methodik von Squidly
Squidly verwendet ein kontrastives Lernverfahren, das Paare von Sequenzen so kombiniert, dass katalytische und nicht‑katalytische Residuen klar unterschieden werden können. Dabei kommen pro‑Token‑Einbettungen eines vortrainierten Protein‑Language‑Models zum Einsatz, sodass ausschließlich Sequenzinformationen ausreichen.
Leistungsfähigkeit
In Benchmarks übertrifft Squidly bestehende ML‑Methoden hinsichtlich Präzision und Recall. Gleichzeitig bleibt das System deutlich schneller, sodass es für das Durchsuchen umfangreicher Datenbanken geeignet ist.
Integration mit BLAST
Die Entwickler kombinieren Squidly mit BLAST zu einem Ensemble‑Tool. Dieses nutzt die Geschwindigkeit von BLAST und die Genauigkeit von Squidly, um katalytische Residuen sowohl in bekannten als auch in bislang unbekannten Sequenzen zuverlässig zu annotieren.
Anwendungsbereiche
Durch die Möglichkeit, große Sequenzsammlungen schnell zu analysieren, eröffnet das Tool neue Perspektiven für die gezielte Enzymentwicklung, die Synthese neuer Wirkstoffe und die Optimierung von Umweltsanierungsprozessen.
Verfügbarkeit
Squidly wird als Open‑Source‑Software bereitgestellt, sodass Forscher und Entwickler das System eigenständig einsetzen und weiter anpassen können.
Aussage der Entwickler
Laut den Autoren ermöglicht die rein sequenzbasierte Vorgehensweise eine breitere Anwendung in Bereichen, in denen strukturelle Daten bislang nicht verfügbar waren.
Dieser Bericht basiert auf Informationen von eLife, lizenziert unter Creative Commons BY 4.0 (Open Access).
Ende der Uebertragung