LocAlign: Local Protein Structural Alignment with Geometric Deep Learning

Stellen Sie sich vor, Sie haben zwei völlig unterschiedlich aussehende Puzzles. Das eine zeigt das Bild einer Katze, das andere das eines Autos. Wenn Sie versuchen, sie Stück für Stück von der oberen linken Ecke bis zur unteren rechten Ecke abzugleichen (so wie es die meisten Standard-Werkzeuge zur Protein-Alignment machen), werden Sie kläglich scheitern, weil die Gesamtformen völlig verschieden sind.

Wenn Sie jedoch heranzoomen, könnten Sie bemerken, dass beide Puzzles in der Mitte zufällig denselben winzigen, spezifischen Cluster aus Teilen besitzen, die exakt gleich aussehen – vielleicht eine kleine rote Blume oder ein spezielles blaues Zahnrad. In der Welt der Biologie werden diese winzigen, passenden Cluster als funktionelle Motive bezeichnet. Dies sind die Teile eines Proteins, die tatsächlich die Arbeit verrichten, wie etwa das Greifen eines Medikaments oder das Binden an ein Virus. Das Finden dieser kleinen, verborgenen Ähnlichkeiten zwischen zwei sehr unterschiedlichen Proteinen ist so, als würde man versuchen, diese passende „rote Blume“ in zwei völlig verschiedenen Puzzles zu finden, und bis jetzt hatten Wissenschaftler keinen guten Weg, dies zu tun.

Hier kommt LocAlign ins Spiel.

Betrachten Sie LocAlign als einen superintelligenten, geometrischen Detektiv, dem die Gesamtform des Puzzles egal ist. Stattdessen nutzt er eine spezielle Art von „3D-Vision“ (genannt Geometric Deep Learning), um zwei Proteinstrukturen zu scannen und zu sagen: „Hey, auch wenn diese überhaupt nicht gleich aussehen, passen diese drei spezifischen Atome hier perfekt zu jenen drei Atomen dort.“

So funktioniert es in einfachen Worten:

1. Der „Keine-Lösungsschlüssel“-Trick: Normalerweise muss man einen Computer lehren, diese Übereinstimmungen zu finden, indem man ihm einen Lehrer mit dem richtigen Lösungsschlüssel gibt (einer perfekten Karte, welche Atome wem entsprechen). Aber für Proteine haben wir eine solche Karte oft nicht. LocAlign umgeht dies, indem es durch eine clevere Abkürzung lernt: Es betrachtet Paare von Proteinen, die beide dasselbe chemische Objekt (wie ein spezifisches Medikament oder Liganden) festhalten. Es geht davon aus, dass, wenn zwei Proteine dasselbe Objekt halten, sie auch einen ähnlichen „Handschlag“ benutzen müssen, um es zu tun. Es lernt, diesen Handschlag zu finden, ohne jemals explizit gesagt bekommen zu haben, wo genau er liegt.
2. Das Ergebnis: Einmal trainiert, kann LocAlign zwei Proteine betrachten und sie sofort drehen und übereinanderstapeln, um diese verborgenen passenden Stellen zu enthüllen.
3. Wie gut funktioniert es? Das Paper behauptet, dass es sehr gut darin ist. Beim Vergleich von Proteinen, die sich recht ähnlich sehen, fand es die richtigen Übereinstimmungen in 87 % der Fälle. Selbst beim Vergleich von Proteinen, die völlig verschieden aussehen (wie das Katzen-Puzzle im Vergleich zum Auto-Puzzle), fand es die verborgenen Übereinstimmungen immer noch in 37 % der Fälle.

Was können Sie damit machen?

Das Paper hebt zwei Hauptwege hervor, wie dieses Werkzeug derzeit nützlich ist:

• Erkundung des „Dunklen Proteoms“: Es gibt viele Proteine, von denen wir wissen, dass sie existieren, aber wir verstehen nicht, was sie tun. LocAlign kann diese mysteriösen Proteine mit bekannten vergleichen, um deren Funktion basierend auf ihren verborgenen strukturellen „Handschlägen“ zu erraten.
• Prüfung der Arzneimittelsicherheit: Es kann helfen, Medikamente darauf zu prüfen, ob sie versehentlich an das falsche Protein binden könnten (Off-Target-Screening), was hilft, potenzielle Nebenwirkungen vorherzusagen.

Kurz gesagt: LocAlign ist ein neues, leistungsstarkes Werkzeug, das das große Ganze ignoriert, um sich auf die winzigen, entscheidenden Details zu konzentrieren und Wissenschaftlern dabei zu helfen, zu verstehen, wie Proteine funktionieren und mit Medikamenten interagieren, selbst wenn diese Proteine an der Oberfläche völlig unterschiedlich aussehen.