Eiwitten zijn biologische high-performance machines. Ze zijn te vinden in elke cel en spelen een belangrijke rol bij de bloedstolling van de mens of als hoofdbestanddeel van haren of spieren. De functie van deze moleculaire gereedschappen blijkt duidelijk uit hun structuur. Onderzoekers van het Karlsruhe Institute of Technology (KIT) hebben nu een nieuwe methode ontwikkeld om deze eiwitstructuur te voorspellen met behulp van kunstmatige intelligentie.

Afhankelijk van hun structuur, eiwitten kunnen interageren met andere moleculen door ze binnen te dringen of te omsluiten. Dit is heel moeilijk te detecteren, de experimenten die hiervoor nodig zijn, zijn duur en complex. Onderzoekers van het Steinbuch Center for Computing (SCC), het rekencentrum van KIT, hebben de databases doorzocht op eiwitsequenties en dezelfde eiwitten van verschillende soorten vergeleken. "Hemoglobine, dat verantwoordelijk is voor het transport van zuurstof in ons lichaam, zit ook in insecten, woelmuizen, en chimpansees, " zegt Markus Götz, data analist van SCC. De eiwitstructuur lijkt op een parelsnoer, met de string bestaande uit de eiwitcomponenten, de aminozuren. De driedimensionale structuur en de bijbehorende eigenschappen zijn het resultaat van enkele verre "parels" die paren vormen, waardoor het eiwit wordt gevouwen. Deze paren kunnen verschillen in verschillende organismen. De eigenschappen van het eiwit, echter, hetzelfde blijven. "Schadelijke mutaties worden in de loop van de evolutie opgelost, ' zegt Götz.

Nutsvoorzieningen, Het onderzoeksteam van Götz heeft een systeem voor kunstmatige intelligentie (AI) onderwezen waarvan paren tijdens de evolutie succesvol bleken te zijn in bekende eiwitsequenties. "We verwachten dat het systeem ook conclusies trekt met betrekking tot de structuur van onbekende eiwitsequenties, ", zegt Götz. Het voordeel:"De aminozuren die de eiwitketen vormen, zijn gemakkelijk te bepalen. Echter, het is zeer complex en kost miljoenen om direct experimenteel eiwitstructuren te bepalen, "Alexander Schug, VCA, voegt toe.

Het gebruik van AI om contacten in eiwitten te voorspellen is niet nieuw. "Momenteel, hiervoor worden beeldverwerkingsmethoden toegepast, ", zegt Götz. Zulke neurale netwerken kunnen patronen goed herkennen. Bij het bepalen van de eiwitstructuur, echter, contacten van ver van elkaar gelegen eiwitcomponenten zijn van cruciaal belang, omdat ze tijdens het vouwen een sterkere impact hebben op de structuur dan die welke dicht bij elkaar liggen. "Om deze reden, we gebruiken een aanpak vanuit automatische taalvertaling. We kijken naar de aminozuurketens zinnen die in een andere taal vertaald moeten worden." In populaire vertaalprogramma's worden zogenaamde "self-attention neural networks" toegepast. Ze kunnen identificeren welke delen van de zin met elkaar verbonden zijn of, in de eiwitcontext, welke aminozuren een paar vormen.