idw – Informationsdienst Wissenschaft

Nachrichten, Termine, Experten

Grafik: idw-Logo
Grafik: idw-Logo

idw - Informationsdienst
Wissenschaft

Science Video Project
idw-Abo

idw-News App:

AppStore

Google Play Store



Instance:
Share on: 
07/08/2022 11:32

Künstliche Intelligenz faltet RNA-Moleküle

Dr. Julia Weiler Dezernat Hochschulkommunikation
Ruhr-Universität Bochum

    Für die Funktion vieler Biomoleküle ist ihre dreidimensionale Struktur entscheidend. Daher sind Forschende nicht nur an der Sequenz der Einzelbausteine von Biomolekülen interessiert, sondern auch an ihrer räumlichen Struktur. Mithilfe von Künstlicher Intelligenz (KI) kann man bereits zuverlässig die dreidimensionale Struktur eines Proteins aus dessen Aminosäuresequenz vorhersagen. Für RNA-Moleküle steht diese Technik jedoch erst am Anfang. Forschende der Ruhr-Universität Bochum (RUB) beschreiben in der Zeitschrift „PLOS Computational Biology“ vom 7. Juli 2022 einen Weg, um mit KI die Struktur bestimmter RNA-Moleküle zuverlässig aus ihrer Nukleotidsequenz vorherzusagen.

    Für die Arbeiten kooperierten die Teams um Vivian Brandenburg und Prof. Dr. Franz Narberhaus vom Lehrstuhl für Biologie der Mikroorganismen der RUB mit Prof. Dr. Axel Mosig vom Kompetenzbereich Bioinformatik des Bochumer Zentrums für Proteindiagnostik.

    Zellumgebung muss berücksichtigt werden

    „Oft wird RNA nur als Bote zwischen der genomischen DNA und den Proteinen verstanden“, sagt Axel Mosig. „Aber viele RNA-Moleküle übernehmen zelluläre Funktionen.“ Wichtig dafür ist ihre räumliche Struktur. Ähnliche Bereiche in einer Nukleotidsequenz können sich zusammenlagern und dadurch dreidimensionale Anordnungen bilden.

    „Diese Selbstähnlichkeiten in einer RNA-Sequenz zu identifizieren ist wie ein mathematisches Puzzle“, erklärt Vivian Brandenburg. Für dieses Puzzle gibt es ein biophysikalisches Modell mit entsprechenden Vorhersage-Algorithmen. Das Modell kann allerdings nicht die zelluläre Umgebung der RNA berücksichtigen – und diese beeinflusst den Faltungsprozess ebenfalls. „Würde die RNA isoliert in wässriger Lösung schwimmen, könnte das Modell die Struktur sehr präzise vorhersagen“, so Brandenburg. Aber in einer lebenden Zelle sind viele andere Bestandteile enthalten.

    Hier kommt die Künstliche Intelligenz ins Spiel. Diese kann anhand von bekannten Strukturen subtile Muster lernen, die sich aus der zellulären Umgebung ergeben. Diese Erkenntnisse könnte die KI dann in ihre Strukturvorhersagen einbeziehen. Für den Lernprozess braucht die KI aber ausreichend Trainingsdaten – und die fehlen in der Praxis eigentlich.

    Trainingsdaten mit einem Trick gewinnen

    Um das Problem der fehlenden Trainingsdaten zu lösen, bediente sich das Bochumer Team eines Tricks: Die Forschenden arbeiteten mit bekannten RNA-Struktur-Motiven. Mit einer Art Rückwärtsgang konnten sie aus den Energiemodellen dieser Strukturen fast beliebig viele Nukleotidsequenzen generieren, die in diese räumlichen Strukturen falten würden. Mithilfe dieses sogenannten inversen Faltens erzeugten die Wissenschaftlerinnen und Wissenschaftler viele Paare aus Nukleotidsequenzen und Strukturen, mit denen sie die KI trainieren konnten.

    Neue Strukturen zuverlässig vorhersagbar

    Anschließend konfrontierten die Forschenden die KI mit einer neuen Aufgabe: Sie musste die Struktur von bestimmten bakteriellen RNA-Molekülen vorhersagen. Diese Moleküle – Transkriptions-Terminatoren genannt – sind in Bakterien wichtige Stopp-Signale bei der Übersetzung genomischer DNA. Oft sind sie, wie viele andere RNA-Moleküle mit wichtigen zellulären Funktionen, im Erbgut versteckt und schwierig von Bereichen mit anderen Funktionen zu unterscheiden.

    Die Künstliche Intelligenz konnte die typische Struktur der Transkriptions-Terminatoren, die an eine Haarnadel erinnert, zuverlässig erkennen und vorhersagen. Das konnte das Forschungsteam anhand von öffentlich zugänglichen experimentellen Daten nachweisen.

    „Während KI-Ansätze bei der Vorhersage von Proteinstrukturen mittlerweile fast unumgänglich sind, steht die Entwicklung bei RNA-Strukturen erst am Anfang“, fasst Axel Mosig zusammen.


    Contact for scientific information:

    Prof. Dr. Axel Mosig
    Kompetenzbereich Bioinformatik
    Zentrum für Proteindiagnostik
    Ruhr-Universität Bochum
    Tel.: +49 234 32 18133
    E-Mail: axel.mosig@bph.rub.de


    Original publication:

    Vivian Brandenburg, Franz Narberhaus, Axel Mosig: Inverse folding based pre-training for the reliable identification of intrinsic transcription terminators, in: PLOS Computational Biology, 2022, DOI: 10.1371/journal.pcbi.1010240


    Images

    Ein Teil des Bochumer Forschungsteams: Vivian Brandenburg (links) und Axel Mosig
    Ein Teil des Bochumer Forschungsteams: Vivian Brandenburg (links) und Axel Mosig

    RUB, Marquard

    Manche Segmente eines RNA-Moleküls (orange) bilden sogenannte Haarnadel-Strukturen aus.
    Manche Segmente eines RNA-Moleküls (orange) bilden sogenannte Haarnadel-Strukturen aus.

    Vivian Brandenburg


    Criteria of this press release:
    Journalists
    Biology
    transregional, national
    Research results, Scientific Publications
    German


     

    Help

    Search / advanced search of the idw archives
    Combination of search terms

    You can combine search terms with and, or and/or not, e.g. Philo not logy.

    Brackets

    You can use brackets to separate combinations from each other, e.g. (Philo not logy) or (Psycho and logy).

    Phrases

    Coherent groups of words will be located as complete phrases if you put them into quotation marks, e.g. “Federal Republic of Germany”.

    Selection criteria

    You can also use the advanced search without entering search terms. It will then follow the criteria you have selected (e.g. country or subject area).

    If you have not selected any criteria in a given category, the entire category will be searched (e.g. all subject areas or all countries).