Ein neu entwickeltes Klassifikationsmodell namens PPIscreenML kann anhand von AlphaFold2‑Modellen zwischen tatsächlich interagierenden Proteinpaaren und nicht‑interagierenden Decoys unterscheiden und erzielt dabei bessere Ergebnisse als etablierte Werkzeuge wie pDockQ und iPTM.
Methodischer Ansatz
Forscher haben PPIscreenML mit einem umfangreichen Datensatz aus AlphaFold2‑Strukturen trainiert, der sowohl bestätigte Interaktionen als auch überzeugende Fehlpaarungen enthielt. Das Modell nutzt Merkmale der strukturellen Qualität, um die Wahrscheinlichkeit einer echten Bindung zu bewerten.
Benchmark‑Ergebnisse
In direkten Vergleichen zeigte PPIscreenML eine höhere Trefferquote und Präzision gegenüber pDockQ und iPTM. Die Analyse umfasste mehrere Testsets, die nicht im Trainingsprozess verwendet wurden, um eine unabhängige Validierung zu gewährleisten.
Leistung bei der Tumor‑Nekrose‑Faktor‑Superfamilie
Besonders auffällig war die Fähigkeit des Modells, Ligand‑Rezeptor‑Paare innerhalb der strukturell konservierten Tumor‑Nekrose‑Faktor‑Superfamilie (TNFSF) korrekt zu identifizieren. Hier übertraf PPIscreenML die Vergleichsmethoden deutlich.
Generalisierungspotenzial
Die Ergebnisse aus Benchmarks mit bislang unbekannten Komplexen deuten darauf hin, dass PPIscreenML über das im Training genutzte Spektrum hinaus verallgemeinerungsfähig ist. Dies eröffnet die Möglichkeit, neue Protein‑Komplexe systematisch zu entdecken.
Implikationen fĂĽr die Forschung
Durch die verbesserte Vorhersagegenauigkeit kann PPIscreenML als Screening‑Werkzeug für den Aufbau von Protein‑Interaktionsnetzwerken dienen, was insbesondere in Bereichen wie der Wirkstoffentwicklung und der Grundlagenbiologie von Nutzen sein könnte.
Dieser Bericht basiert auf Informationen von eLife, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Ăśbertragung