A Proteome-Wide, Accelerated Deep Learning Framework for Structural Interactome Docking, Polygenic Disease Network Translation and Automated Druggability Assessment

In jeder lebenden Zelle arbeiten tausende winziger Maschinen namens Proteine zusammen, um den Körper am Laufen zu halten. Diese Maschinen arbeiten nicht isoliert; sie stoßen ständig gegen einander, rasten ineinander und bilden Teams, um lebensnotwendige Aufgaben wie den Aufbau von Muskeln, die Bekämpfung von Infektionen oder das Pumpen von Blut auszuführen. Wissenschaftler nennen diese Verbindungen Protein-Protein-Interaktionen. Jahrzehntelang haben Forscher versucht, jede einzelne dieser Verbindungen im menschlichen Körper zu kartieren, was als Interaktom bekannt ist. Diese Karte ist entscheidend, denn wenn die Verbindungen fehlerhaft sind, folgt oft eine Krankheit. Das Finden dieser Verbindungen war jedoch unglaublich schwierig. Traditionelle Methoden erfordern, dass Wissenschaftler Proteine im Labor mischen und beobachten, ob sie aneinanderhaften – ein Prozess, der langsam, teuer und oft irreführend ist. Zudem ist die schiere Anzahl der möglichen Paare so gewaltig, dass das Testen aller Paare von Hand unmöglich ist.

Eine neue Studie eines Teams bei Partex.AI Technology bietet einen anderen Weg. Anstatt darauf zu warten, dass das Labor ihnen sagt, was zusammenhält, nutzten die Forscher ein leistungsstarkes System der künstlichen Intelligenz, um vorherzusagen, wie Proteine zusammenpassen – im Grunde simulierten sie das gesamte Interaktionsnetzwerk des menschlichen Körpers auf einem Computer. Sie konzentrierten sich speziell auf Herzkrankheiten, eine der weltweit führenden Todesursachen, um zu sehen, ob sie neue Wege zu deren Behandlung finden könnten. Durch die Kombination fortschrittlicher Computermodelle von Proteinstrukturen mit massiver Rechenleistung waren sie in der Lage, Millionen potenzieller Paare in nur wenigen Tagen zu scannen. Das Ergebnis ist eine massive Liste neuer, höchst wahrscheinlicher Verbindungen zwischen Proteinen, die zuvor unbekannt waren und von denen viele offenbar an Herz-Kreislauf-Erkrankungen beteiligt sind. Diese Arbeit vervollständigt nicht nur eine Karte; sie bietet einen neuen Weg, um verborgene Angriffsziele für Medikamente zu finden, und verwandelt eine theoretische Möglichkeit in einen praktischen Leitfaden für die zukünftige Arzneimittelentwicklung.

Die Herausforderung, der das Team gegenüberstand, war eine Frage der Skalierung. Der menschliche Körper enthält etwa 20.000 verschiedene Arten von Proteinen. Wenn man versucht, jedes einzelne mit jedem anderen zu paaren, um zu sehen, ob sie interagieren könnten, landet man bei über 115 Millionen möglichen Kombinationen. In der Vergangenheit hätte das Überprüfen selbst eines kleinen Bruchteils davon Jahre an Supercomputer-Zeit unter Verwendung traditioneller physikbasierter Methoden beansprucht. Die Forscher wuserten, dass viele dieser Paare in einer echten Zelle niemals aufeinandertreffen würden, da sie in unterschiedlichen Teilen des Körpers leben, ähnlich wie Öl und Wasser, die sich nie vermischen. Um dies zu lösen, bauten sie eine digitale Pipeline, die zuerst die 3D-Formen aller menschlichen Proteine mithilfe von KI vorhersagte und dann ein spezialisiertes Deep-Learning-Tool namens EquiDock verwendete, um zu simulieren, wie sie zusammenpassen könnten. Dieses Tool, das auf 460 der leistungsstärksten Grafikprozessoren der Welt lief, konnte ein Proteinpaar in Sekunden statt in Stunden bewerten.

Das Team hielt nicht einfach beim Simulieren der Formen an. Sie wandten eine strenge Reihe biologischer Regeln an, um das Unmögliche herauszufiltern. Sie entfernten alle Paare, bei denen die Proteine in unterschiedlichen zellulären Nachbarschaften lebten, um sicherzustellen, dass nur Proteine beibehalten wurden, die sich in einer lebenden Zelle tatsächlich treffen könnten. Sie überprüften auch die Stabilität der Verbindung und warfen Paare aus, die sofort auseinanderfallen würden. Nach Anwendung dieser Filter verengten sie die Suche von 115 Millionen Möglichkeiten auf etwa 3,3 Millionen Paare, die strukturell stabil und biologisch plausibel waren. Als sie diese Liste mit bestehenden Datenbanken bekannter Interaktionen verglichen, stellten sie fest, dass ihr System den Großteil der etablierten Verbindungen wiederherstellen konnte, was die Methode als genau erwies. Noch wichtiger war, dass sie über 3,2 Millionen Interaktionen entdeckten, die zuvor noch nie aufgezeichnet worden waren. Dies waren keine zufälligen Vermutungen; es waren physikalisch mögliche Verbindungen, die im Labor schlichtweg noch nie gesehen worden waren.

Um diese Erkenntnisse für die Behandlung von Krankheiten nutzbar zu machen, richtete das Team seine Aufmerksamkeit auf das Herz. Sie nahmen ihre massive Liste neuer Interaktionen und suchten gezielt nach Paaren, die Proteine beinhalten, die mit koronarer Herzkrankheit in Verbindung stehen. Durch den Abgleich ihrer Ergebnisse mit genetischen Daten von Hunderttausenden von Menschen identifizierten sie eine Kerngruppe von 962 hochkonfidenten Proteinpaaren, die prioritäre Hypothesen für die Entstehung von Herzkrankheiten darstellen. Diese Paare bildeten ein Netzwerk, das Gene verband, die für sich genommen zu schwach erschienen, um eine Krankheit zu verursachen, aber zusammen ein kraftvolles biologisches Signal erzeugten. Die Studie zeigte, dass diese neuen Verbindungen nicht bloß zufälliges Rauschen waren; sie häuften sich um bekannte biologische Pfade im Zusammenhang mit der Energieproduktion in Zellen und der Erhaltung von Muskelgewebe, welche zentral für die Funktionsweise des Herzens sind. Die Forscher betonen jedoch, dass es sich hierbei um computergestützte Vorhersagen und Hypothesen handelt, die einer zukünftigen experimentellen Validierung bedürfen, da der vorliegende Bericht keine direkte Bestätigung durch Nasslabor-Experimente (Wet-Lab) enthält.

Der letzte Schritt bestand darin, zu bestimmen, ob diese neuen Ziele mit Medikamenten behandelt werden können. Viele Proteine gelten als „unbehandelbar“ (undruggable), weil ihnen die tiefen Taschen fehlen, in denen sich Medikamentenmoleküle normalerweise festsetzen. Das Team nutzte eine neue Screening-Meth Methode namens PocketVec, um die Oberflächen ihrer neuen Proteinpaare nach verborgenen Spalten abzusuchen, die ein Medikament halten könnten. Sie fanden heraus, dass viele dieser bisher ignorierten Proteine tatsächlich geeignete Taschen besaßen. Dies bedeutet, dass die von ihnen neu entdeckten Interaktionen nicht nur biologische Kuriositäten sind, sondern potenzielle Ausgangspunkte für die Entwicklung neuer Medikamente darstellen. Die Forscher überprüften ihre Vorhersagen sogar Monate später und stellten fest, dass mehrere der von ihnen als neu markierten Interaktionen bereits von anderen Wissenschaftern in der realen Welt bestätigt worden waren, was die Geschwindigkeit und Genauigkeit ihres Ansatzes validierte.

Diese Arbeit stellt einen Wandel in der Art und Weise dar, wie Wissenschaftler komplexe Krankheiten angehen. Anstatt nach einem einzelnen defekten Teil zu suchen, sind sie nun in der Lage, das gesamte Netzwerk der Verbindungen abzubilden, das fehlerhaft arbeitet. Durch den Einsatz künstlicher Intelligenz zur Simulation der physischen Welt der Proteine hat das Team einen Bauplan für das Finden neuer Behandlungen für Herzkrankheiten und potenziell andere Leiden erstellt. Sie haben gezeigt, dass es mit der richtigen Rechenleistung und kluger Filterung möglich ist, das gesamte menschliche Interaktom in wenigen Tagen zu erforschen, und damit eine Aufgabe, die einst unmöglich schien, in einen routinemäßigen Entdeckungsmotor verwandelt. Die Liste der neu generierten Interaktionen steht nun anderen Wissenschaftlern für Tests im Labor zur Verfügung und bietet einen Vorsprung bei der Suche nach der nächsten Generation von Therapien für einige der hartnäckigsten gesundheitlichen Herausforderungen der Welt.