A novel benchmark dataset for enzyme function prediction reveals the limitations of state-of-the-art models

In der riesigen Bibliothek des Lebens trägt jedes Lebewesen einen Satz von Anweisungen in sich, die in einem Code namens DNA geschrieben sind. Innerhalb dieser Anweisungen befinden sich Baupläne für winzige biologische Maschinen, die als Enzyme bekannt sind. Diese Enzyme fungieren als die Arbeiter der Zelle und beschleunigen die chemischen Reaktionen, die einen Organismus am Leben erhalten, vom Verdauen der Nahrung bis hin zur Reparatur von beschädigtem Gewebe. Um die Millionen von verschiedenen Enzymen, die Wissenschaftler entdeckt haben, im Blick zu behalten, verwenden sie ein standardisiertes Kennzeichnungssystem namens Enzyme Commission-Nummern. Stellen Sie sich diese Nummern wie ein universelles Katalogisierungssystem vor, das einem Forscher genau sagt, welche Aufgabe ein spezifisches Enzym erfüllt. Während Wissenschaftler die Genome immer mehr Organismen sequenzieren, entdecken sie neue Enzyme in einer atemberaubenden Geschwindigkeit. Die Herausforderung besteht nun darin, herauszufinden, was diese neu entdeckten Enzyme tun, ohne jedes einzelne in einem Labor testen zu müssen – eine Aufgabe, die Jahrhunderte dauern würde. Um dies zu lösen, haben sich Forscher der Computer zugewandt und künstliche Intelligenz darauf trainiert, die Sequenz eines Enzyms zu betrachten und seine Funktion basierend auf Mustern vorherzusagen, die sie aus bekannten Beispielen gelernt hat.

Ein Forscherteam entschied sich kürzlich zu testen, ob diese Computermodelle wirklich verstehen, wie Enzyme funktionieren, oder ob sie lediglich Abkürzungen nehmen. Sie erstellten einen neuen Datensatz für Tests namens EnzymARC, um zu sehen, ob die derzeit besten Programme den Unterschied zwischen einem funktionierenden Enzym und einem defekten erkennen können. Um diesen Test aufzubauen, begannen sie mit Enzymen, von denen bereits bekannt war, dass sie funktionieren, und beschädigten diese dann systematisch. Unter Verwendung eines Computermodells der 3D-Struktur des Enzyms zielten sie auf die spezifische Stelle ab, an der die chemische Reaktion stattfindet, bekannt als aktives Zentrum. Sie veränderten dann die Struktur auf eine Weise, die die Fähigkeit des Enzyms zu funktionieren zerstören würde, wodurch sie sogenannte „Decoy“-Sequenzen (Lockvögel) erzeugten. Diese Lockvögel wurden so gestaltet, dass sie fast exakt wie die ursprünglichen, funktionierenden Enzyme aussah, mit Ausnahme der kritischen Beschädigung der Mechanik, die sie arbeiten lässt. Sie erstellten diese defekten Versionen, indem sie die Struktur innerhalb spezifischer Entfernungen vom aktiven Zentrum veränderten, die von einem sehr engen Radius von 5 Ångström bis zu einem weiteren Radius von 15 Ångström reichten, wobei sichergestellt wurde, dass der Rest des Enzyms weitgehend unverändert blieb.

Die Forscher speisten diese defekten Lockvögel dann in drei verschiedene Arten von Computer-Vorhersagewerkzeugen ein, um zu sehen, was die Maschinen sagen würden. Ein Werkzeug stützte sich darauf, ähnliche Sequenzen in einer Datenbank zu finden, ein anderes nutzte eine Methode, die durch den Vergleich verschiedener Proteinformen lernt, und das dritte war ein Deep-Learning-Modell, das speziell darauf trainiert wurde, nicht funktionierende Enzyme zu erkennen. Die Ergebnisse waren aufschlussreich. Als die Computermodelle die leicht beschädigten Enzyme betrachteten, versagten sie fast vollständig. Obwohl die katalytische Mechanik zerstört worden war, ordneten die Modelle den beschädigten Enzymen selbstbewusst die ursprüngliche, korrekte Aufgabenbeschreibung zu. Tatsächlich trafen die Modelle bei den am wenigsten beschädigten Lockvögeln in mehr als 90 Prozent der Fälle falsche Vorhersagen. Dies deutet darauf darauf hin, dass die Modelle nicht tatsächlich die physikalischen Regeln lernen, wie ein Enzym funktioniert; stattdessen verlassen sie sich auf eine Abkürzung. Sie schauen auf die allgemeine Ähnlichkeit mit bekannten Enzymen und nehmen an, dass, wenn es wie eine Ente aussieht, es auch eine Ente sein muss, selbst wenn die Ente kaputt ist.

Selbst das fortschrittlichste Modell, das darauf trainiert worden war, defekte Enzyme zu erkennen, hatte Schwierigkeiten, die spezifische Beschädigung zu identifizieren, wenn diese auf das aktive Zentrum fokussiert war. Obwohl dieses Modell besser abschnitt, wenn die Beschädigung schwerwiegender war, übersah es dennoch die gezielten Störungen, die das Enzym unbrauchbar machten. Die Studie zeigt, dass aktuelle Computerprogramme extrem anfällig für diese phylogenetischen Abkürzungen sind, was bedeutet, dass sie leicht durch die Familiengeschichte eines Proteins getäuscht werden, anstatt durch dessen tatsächliche Funktion. Die Forscher kommen zu dem Schluss, dass die nächste Generation von Modellen, um wirklich zuverlässige Werkzeuge für das Verständnis der Biologie zu bauen, mit Beispielen trainiert werden muss, die diese struktur-bewussten, defekten Versionen enthalten. Nur indem wir die Computer lehren, den Unterschied zwischen einer funktionierenden Maschine und einer defekten zu erkennen, anstatt nur Muster abzugleichen, können wir Modelle entwickeln, die robust genug sind, um die komplexe Realität der Enzymfunktion zu bewältigen.