Neue Studie: KI-Modell PepFlow übertrifft Google AI bei der Vorhersage von Peptidstrukturen

BerlinForscher der Universität Toronto haben ein neues Deep-Learning-Modell namens PepFlow entwickelt. Dieses Modell ist in der Lage, die verschiedenen Formen, die Peptide annehmen können, vorherzusagen. Peptide sind Ketten von Aminosäuren, die kürzer als Proteine sind, aber ähnliche Funktionen erfüllen. Sie sind äußerst flexibel und können viele unterschiedliche Formen annehmen.

PepFlow nutzt maschinelles Lernen und Physik, um das Faltungsverhalten von Peptiden zu verstehen. Mit Deep Learning kann es die dreidimensionalen Strukturen von Peptiden in wenigen Minuten schnell und präzise ermitteln. Diese neue Methode könnte die Medikamentenentwicklung unterstützen, indem sie Peptide als Bindemittel designt.

Hier sind einige herausragende Merkmale von PepFlow:

• Sagt alle möglichen Peptidstrukturen voraus
• Verbindet maschinelles Lernen und Physik
• Erfasst Peptidkonformationen in wenigen Minuten
• Nützlich für die Medikamentenentwicklung

Die 3D-Struktur eines Peptids ist entscheidend für seine Funktion. Die Art und Weise, wie es sich faltet, beeinflusst seine Interaktion und Wirksamkeit mit anderen Molekülen. Dies macht Peptide unverzichtbar für zahlreiche biologische Prozesse und medizinische Anwendungen. So werden zum Beispiel GLP1-Analoga wie Ozempic zur Behandlung von Diabetes und Adipositas eingesetzt.

PepFlow ist auf Peptide spezialisiert, die wichtige biologische Moleküle darstellen. Das neue Modell übertrifft Googles AlphaFold2, da es in der Lage ist, mehrere Strukturen für ein einzelnes Peptid zu erzeugen, was AlphaFold2 nicht leisten kann.

Lesen Sie auch:

Heute · 08:55

Asiatische Märkte sinken trotz beeindruckender Nvidia-Ergebnisse und KI-Unsicherheiten

Professor Philip M. Kim von der Universität Toronto hat die Forschungsarbeit geleitet. Er erläuterte, dass es ihnen bisher nicht möglich war, die gesamte Bandbreite von Peptidformen zu untersuchen. Kim unterrichtet außerdem Informatik an der Fakultät für Kunst und Wissenschaft der Universität.

PepFlow besticht durch seine einzigartigen technologischen Eigenschaften. Es schöpft Ideen aus Boltzmann-Generatoren, fortschrittlichen maschinellen Lernmodellen, die auf Physik basieren. PepFlow kann Peptidstrukturen modellieren, die ungewöhnliche Formen annehmen, wie ringförmige Strukturen, die durch Makrocyclisierung entstehen. Diese Peptid-Makrozyklen bieten vielversprechende Ansätze für die Entwicklung neuer Medikamente.

PepFlow weist einige Einschränkungen auf. Da es sich um die erste Version handelt, gibt es Verbesserungspotenzial. Die Autoren haben verschiedene Möglichkeiten zur Optimierung von PepFlow aufgezeigt.

• Das Modell mit spezifischen Daten für Lösungsmittelatome trainieren
• Beschränkungen für Abstände zwischen Atomen in ringähnlichen Strukturen verbessern

PepFlow ist darauf ausgelegt, problemlos mit neuen Funktionen und Informationen erweitert zu werden. Die Entwicklungszeit betrug zweieinhalb Jahre, und das Training dauerte einen Monat. Osama Abdin, der Hauptautor der Studie, betonte, dass sich der Aufwand gelohnt habe, um ein Modell zu schaffen, das mehr als eine Struktur vorhersagen kann.

Die Studie wurde in Nature Machine Intelligence veröffentlicht. Dieses Modell ist ein nützliches und effizientes Werkzeug, das bei der Entwicklung von Behandlungen basierend auf Peptidbindung helfen könnte. Das Wissen über die Energieverläufe von Peptiden liefert wichtige Informationen über ihre Funktion und ihren möglichen Einsatz in der Medizin.