KI News: Kurz und klar.

Die Vorhersage von Arzneimittel‑Zielinteraktionen (Drug‑Target Interaction, DTI) ist ein zentrales Ziel der computergestützten Wirkstoffforschung. Traditionelle Modelle stützen sich häufig auf einseitige, vorgefertigte Molekülbeschreibungen oder auf sequentielle Embeddings, die die Komplexität der chemischen und strukturellen Eigenschaften nur begrenzt erfassen.

In einem bahnbrechenden Beitrag aus dem Bereich der Proteinbiotechnologie zeigen Forscher, wie die Selbstdistillation von Protein-Sprachmodellen (PLMs) die Vielseitigkeit im Protein-Design deutlich erhöht. Durch eine neuartige, schnelle Feinabstimmung (SFT) lassen sich die Modelle nicht nur präziser an spezifische Aufgaben anpassen, sondern auch stabilere und funktionellere Enzyme generieren.

Die Messung der Antigenität von Influenza‑A‑Virussen über Haemagglutination‑Inhibition‑Assays ist hochaufwendig und lässt sich nicht schnell skalieren. Gleichzeitig wachsen die genomischen Datensätze viel schneller als die verfügbaren phänotypischen Labels, was herkömmliche überwachte Lernmodelle stark einschränkt.

Die neueste Veröffentlichung von PepTriX eröffnet einen vielversprechenden Ansatz für die Analyse von Peptiden, indem sie die Stärken von Protein-Sprachmodellen (PLMs) mit strukturellen Daten kombiniert. Ziel ist es, die gängigen Herausforderungen bei der Klassifizierung von Peptiden – etwa die Vorhersage von Toxizität oder HIV-Inhibition – zu überwinden und gleichzeitig die Ergebnisse für Fachleute nachvollziehbar zu machen.

In einer wegweisenden Studie wird AlphaDE vorgestellt, ein neues Framework, das die Kraft großer Protein-Sprachmodelle mit Monte‑Carlo‑Baumsuche kombiniert, um die evolutionäre Optimierung von Proteinen in Silico zu beschleunigen. Durch das Feintuning vortrainierter Sprachmodelle mittels maskierter Sprachmodellierung auf homologen Proteinsequenzen wird die evolutionäre Plausibilität für die Zielproteinklasse aktiviert. Anschließend nutzt AlphaDE eine test‑time‑Inference‑Strategie, bei der die Baumsuche gezielt Mutationen auswählt, die von dem feinjustierten Modell als evolutionär sinnvoll bewertet werden.