DynaPPI: A Large-scale Dynamic Protein Dataset for AI-driven Advances in Protein Interactomics

Stellen Sie sich den menschlichen Körper als eine geschäftige Stadt vor, die aus winzigen, unsichtbaren LEGO-Steinen namens Proteinen besteht. Einige dieser Steine arbeiten allein, aber die meisten sind wie spezialisierte Teams, die zusammengefügt werden müssen, um Maschinen zu bauen, Signale zu senden oder Eindringlinge abzuwehren. Jahrzehntelang waren Wissenschaftler sehr gut darin, Fotos von diesen Teams zu machen, wenn sie bereits gebaut und fest miteinander verbunden sind. Es ist, als hätte man ein Bild einer fertigen LEGO-Burg, aber keine Ahnung, wie die Teile durch die Luft flogen, gegeneinander stießen und schließlich einrasteten. Dies ist ein großes Problem, denn das „Wie“ ist genauso wichtig wie das „Was“. Wenn man ein neues Medikament entwickeln möchte, um ein Virus zu stoppen, muss man wissen, wie die Proteine des Virus ihre Ziele finden, und nicht nur, wie sie aussehen, wenn sie einmal fest miteinander verbunden sind.

In jüngster Zeit sind Computer sehr gut darin geworden, zu erraten, wie diese Proteinteams aussehen, indem sie eine Art künstliche Intelligenz namens „Diffusionsmodelle“ nutzen. Denken Sie an diese Modelle wie an einen magischen Künstler, der eine verschwommene, unordentliche Skizze nehmen und sie in ein scharfes, perfektes Bild verwandelt. Aber hier ist der Haken: Diese Künstler wurden nur auf statische Schnappschüsse oder einzelne, sich allein bewegende Steine trainiert. Sie wissen nicht, wie man den Film malt, in dem zwei separate Teams aufeinander zulaufen, herumtanzen und schließlich zu einer einzigen komplexen Maschine verschmelzen. Oh ohne diesen „Film“ kann die KI nicht vorhersagen, wie neue, unbekannte Teams entstehen werden, was eine riesige Lücke in unserer Fähigkeit hinterlässt, neue Medikamente zu entwickeln oder das Leben auf seiner grundlegendsten Ebene zu verstehen.

Hier kommt DynaPPI ins Spiel, ein massiver neuer Datensatz, der darauf ausgelegt ist, die KI dazu zu bringen, diese Proteintänze zu beobachten und vorherzusagen. Die Forscher hinter diesem Projekt erkannten, dass sie, um die blinden Flecken der KI zu beheben, eine Bibliothek von „Filmen“ erstellen mussten, die genau zeigen, wie Proteinketten von weit voneinander entfernt bis hin zur festen Bindung tanzen. Anstatt nur den fertigen Handschlag zu betrachten, simulierten sie die gesamte Reise. Sie nahmen bekannte Proteinteams, trennten sie voneinander und nutzten dann leistungsstarke Computersimulationen, um zu beobachten, wie sie driften, kollidieren und sich über die Zeit hinweg wieder zusammensetzen.

Das Team erstellte einen Datensatz mit etwa 10.000 dieser Proteinkomplexe, der verschiedene Arten von Partnerschaften abdeckt, wie Protein-Protein, Protein-Ligand (ein Protein, das auf ein kleines Medikamentenmolekül trifft) und Protein-Nukleinsäure (ein Protein, das auf DNA oder RNA trifft). Um sicherzustellen, dass die Simulationen realistisch sind, haben sie nicht einfach nur geraten; sie führten tausende detaillierter Computerexperimente durch. Jedes Experiment verfolgte die Bewegung von Atomen über Zeiträume von 10 Nanosekunden bis zu 1 Millisekunde. Das klingt zwar kurz, aber in der Welt der Atome ist es eine Ewigkeit – genug Zeit, um sie wackeln, rotieren und einander finden zu sehen. Der Datensatz enthält über 100 Milliarden Frames an Daten, die jede winzige Veränderung in Position, Geschwindigkeit und Energie erfassen.

Was DynaPPI besonders macht, ist, dass es der KI explizit den Prozess der Bindung lehrt. In der Vergangenheit waren KI-Modelle wie Schüler, die nur die Lösungen der Abschlussprüfung studierten. Jetzt, mit DynaPPI, können sie die schrittweise Hausaufgaben lernen. Der Datensatz zeigt der KI, wie sich Proteine verhalten, wenn sie weit voneinander entfernt sind, wie sie ihre Form ändern, wenn sie sich näher kommen, und wie das „Dazwischen“ aussieht, bevor sie fest einrasten. Die Forscher simulierten diese Ereignisse, indem sie bekannte Strukturen nahmen, die Ketten trennten und sie dann in einem virtuellen Ozean aus Wasser und Salz freiließen, um zu sehen, ob sie sich wiederfinden würden. Sie führten diese Simulationen mehrfach (Replikate) durch, um sicherzustellen, dass sie die Zufälligkeit der Natur erfassen, so wie man viele Male würfelt, um alle möglichen Ergebnisse zu sehen.

Das Paper legt nahe, dass die KI durch die Einspeisung dieser dynamischen Daten in Diffusionsmodelle lernen kann, nicht nur die endgültige Form eines Proteinkomplexes, sondern den gesamten Weg vorherzusagen, den er dorthin nimmt. Dies könnte ein Wendepunkt für das Design von Medikamenten sein. Stellen Sie sich vor, man könnte simulieren, wie ein neues Medikamentenmolekül ein krankheitsverursachendes Protein aufspürt, indem man temporäre Taschen entdeckt, die sich nur während des Tanzes öffnen, anstatt nur auf die geschlossene Tür zu schauen. Die Autoren schlagen vor, dass dies Wissenschaftlern helfen könnte, bessere Medikamente zu entwickeln, neue biologische Maschinen zu konstruenieren und sogar zukünftige Pandemien vorzubereiten, indem sie verstehen, wie Viren mit menschlichen Zellen interagieren könnten.

Es ist jedoch wichtig zu beachten, dass dies ein Vorschlag und die Konstruktion einer Ressource ist, kein fertiges Produkt, das bereits jedes Geheimnis gelöst hat. Das Paper skizziert einen Plan zum Aufbau dieses Datensatzes und beschreibt, wie sie die Proteine auswählen werden, wie sie die Daten bereinigen und die Simulationen durchführen werden. Sie haben spezifische Ziele gesetzt, wie etwa sicherzustellen, dass die Daten eine große Vielfalt an Proteintypen abdecken und dass die Simulationen genau genug sind, um realen Experimenten zu entsprechen. Sie räumen auch ein, dass sie zwar diese Prozesse simulieren können, der wahre Test aber erst erfolgen wird, wenn andere Wissenschaftler diese Daten nutzen, um ihre eigenen KI-Modelle zu trainieren, und sehen, ob diese Modelle erfolgreich Strukturen vorhersagen können, die sie zuvor noch nicht gesehen haben. Der Datensatz ist so konzipiert, dass er offen und zugänglich ist, damit die weltweite wissenschaftliche Gemeinschaft auf diesem Fundament aufbauen und die Grenzen dessen, was die KI in der Biologie leisten kann, erweitern kann.