idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
Forschende der Constructor University und der Constructor Labs haben BiteNetI entwickelt – ein Deep-Learning-Modell, das die Bindungsstellen von 14 biologisch wichtigen Ionentypen direkt in dreidimensionalen Proteinstrukturen lokalisiert. Das Modell benötigt nur wenige Sekunden pro Struktur und erreicht eine zwei- bis dreifach höhere Genauigkeit als die meisten bestehenden Vorhersagewerkzeuge wie AlphaFold3 von Google DeepMind. Die Studie der Autoren Igor Kozlovskii und Petr Popov wurde in der Fachzeitschrift Communications Biology aus dem Nature-Portfolio veröffentlicht.
Das Tool ist als Open-Access-Plattform frei zugänglich und könnte die Wirkstoffforschung sowie das Verständnis von Proteinfunktionen erheblich beschleunigen.
Proteine sind die molekularen Arbeitstiere der menschlichen Zellen, agieren jedoch selten allein. Sie sind auf Ionen angewiesen – elektrisch geladene Atome oder kleine geladene Gruppen wie Calcium, Natrium und Kalium –, um ihre Struktur zu stabilisieren, chemische Reaktionen auszulösen und Signale zu übertragen. Fehlfunktionen bei diesen Ionen-Interaktionen können zu schweren neurologischen, kardiovaskulären oder metabolischen Erkrankungen führen.
Die genaue Lokalisierung einer Ionen-Anlegestelle in atomarer Auflösung ist aus mehreren Gründen wertvoll:
1. Strukturaufklärung: Sie zeigt, welche Konformation eines Proteins ein gebundenes Ion stabilisiert – eine Information, die sich aus der Aminosäuresequenz allein nicht ablesen lässt.
2. Mutationsanalyse: Sie ermöglicht es zu beurteilen, wie der Austausch einer einzelnen Aminosäure die Ionenbindung schwächt oder wiederherstellt. Dies ist einer der Mechanismen, durch die Mutationen die Proteinfunktion beeinträchtigen.
3. Wirkstoffdesign: Sie hilft dabei, Proteintaschen zu identifizieren und zu priorisieren, die chemisch für geladene Molekülgruppen geeignet sind – eine nützliche Information in der Frühphase der Medikamentenentwicklung.
Die experimentelle Bestimmung solcher Bindungsstellen erfordert jedoch hochauflösende Röntgenkristallographie oder Spektroskopie, die arbeitsintensiv und teuer sind. Bestehende computergestützte Alternativen beschränken sich in der Regel auf einen einzigen Ionentyp, arbeiten auf Basis der Sequenz statt der Struktur oder lassen sich nicht auf eine große Anzahl von Proteinen skalieren.
Das physikbasierte KI-Modell BiteNetI löst diesen Engpass, indem es die intelligente Bilderkennungstechnologie moderner Smartphone-Kameras in die Molekularbiologie überträgt. Das System übersetzt ein Protein in ein dreidimensionales Gitter und scannt dessen komplexe 3D-Form wie ein animiertes Video über elf verschiedene Atomtypen hinweg. Seine Fähigkeiten erlernte das Modell durch die Analyse einer sorgfältig kuratierten digitalen Bibliothek von über 12.000 Proteinkomplexen, die mehr als 35.000 präzise kartierte, gebundene Ionen enthalten. Durch dieses innovative Multitask-Design sagt BiteNetI in nur wenigen Sekunden gleichzeitig die exakten Koordinaten und die koordinierenden Reste für 14 verschiedene Ionentypen voraus. Damit ist es etwa zehnmal schneller als die Ausführung einzelner, spezialisierter Modelle pro Ionentyp – ohne Abstriche bei der Genauigkeit.
Globale Benchmarks übertroffen:
Generalisierte KI-Modelle wie AlphaFold3 von Google DeepMind haben kürzlich enorme Fortschritte bei der Vorhersage globaler Proteinformen gemacht und können Ionen während ihrer Vorhersagen ebenfalls platzieren. Die Benchmark-Ergebnisse zeigten jedoch, dass das spezialisierte BiteNetI-Modell bei lebenswichtigen physiologischen Ionen eine zwei- bis dreifache Genauigkeitssteigerung gegenüber bestehenden Methoden erzielte. Es lieferte deutlich überlegene Ergebnisse für Calcium, Kalium, Magnesium, Phosphat und Sulfat, während AlphaFold3 bei Carbonat und Natrium einen leichten Vorsprung hatte. Die einzigartige Sensitivität von BiteNetI ermöglicht es, komplexe atomare Muster zu erkennen und zu bewerten, wie winzige genetische Veränderungen wie Punktmutationen notwendige Ionenbindungen schwächen oder wiederherstellen können.
„AlphaFold3 und BiteNetI beantworten unterschiedliche Fragen, und die Ergebnisse sollten vor diesem Hintergrund betrachtet werden“, erklärt Petr Popov. „Unsere Ergebnisse zeigen, dass ein kompaktes, aufgabetypisches Modell Ionenbindungsstellen in einer bestehenden Struktur sehr genau und sehr schnell annotieren kann.“
In den beiden Standard-Benchmarks des Fachgebiets, MIonSite und IonCom, übertraf BiteNetI die Konkurrenzmethoden für die Mehrheit der Ionentypen. Bemerkenswerterweise schlug dieses All-in-One-Modell sogar Metal3D, das ausschließlich für Zink entwickelt wurde. Dies beweist, dass das gleichzeitige Training mit mehreren Ionentypen die Gesamtintelligenz des Systems steigern kann.
Die Studie zeigte auch, dass die Präzision der KI deutlich zunimmt, wenn umgebende Wassermoleküle einbezogen werden, da diese oft dazu beitragen, die Ionen an ihrem Platz zu fixieren. Diese hohe Genauigkeit bestätigt sich auch bei der Analyse von Proteinen, die durch verschiedene bildgebende Verfahren wie die Kryo-Elektronenmikroskopie kartiert wurden.
Für die Zukunft strebt die Forschungsgruppe eine Entwicklung an, die dem Wandel bei der generativen KI ähnelt. „Jede Bindungsstelle in einem Protein ist ein potenzieller Angriffspunkt für ein Medikament“, erläutert Popov. „Heute sagen wir sie Klasse für Klasse voraus – kleine Moleküle, Peptide, Ionen – jeweils mit einem eigenen Modell. Der nächste Schritt nach vorne wäre ein einziges allgemeines Modell, das sie alle erkennt. Das würde Forschenden ein einzelnes Werkzeug für Fragen an die Hand geben, die sie derzeit aus verschiedenen Richtungen angehen müssen.“
Um die wissenschaftliche Zusammenarbeit zu unterstützen, hat das Team BiteNetI als registrierungsfreie Webanwendung unter bitenet-ion.imolecule.app frei zugänglich gemacht.
Prof. Dr. Petr Popov
Associate Professor of Applied Mathematics and Computational Biology
ppopov@constructor.university
https://doi.org/10.1038/s42003-026-10659-1 - Kozlovskii, I., Popov, P. Multivalent ion binding site identification with structure-based deep learning. Commun Biol 9, 1039 (2026)
https://bitenet-ion.imolecule.app - BiteNetI als registrierungsfreie Webanwendung
Prof. Dr. Petr Popov, Associate Professor of Applied Mathematics and Computational Biology an der Co ...
Quelle: Constructor University
Merkmale dieser Pressemitteilung:
Journalisten, Studierende, Wirtschaftsvertreter, Wissenschaftler, jedermann
Biologie, Chemie, Informationstechnik, Physik / Astronomie
überregional
Forschungsergebnisse, Wissenschaftliche Publikationen
Deutsch
Prof. Dr. Petr Popov, Associate Professor of Applied Mathematics and Computational Biology an der Co ...
Quelle: Constructor University
Sie können Suchbegriffe mit und, oder und / oder nicht verknüpfen, z. B. Philo nicht logie.
Verknüpfungen können Sie mit Klammern voneinander trennen, z. B. (Philo nicht logie) oder (Psycho und logie).
Zusammenhängende Worte werden als Wortgruppe gesucht, wenn Sie sie in Anführungsstriche setzen, z. B. „Bundesrepublik Deutschland“.
Die Erweiterte Suche können Sie auch nutzen, ohne Suchbegriffe einzugeben. Sie orientiert sich dann an den Kriterien, die Sie ausgewählt haben (z. B. nach dem Land oder dem Sachgebiet).
Haben Sie in einer Kategorie kein Kriterium ausgewählt, wird die gesamte Kategorie durchsucht (z.B. alle Sachgebiete oder alle Länder).
