Neues Deep-Learning-Modell verbessert Vorhersage von Protein-Interaktionen

Protein‑Protein‑Interaktionen (PPI) sind ein zentrales Thema in der Biologie, denn die genaue Vorhersage, wie Mutationen diese Wechselwirkungen beeinflussen, ist entscheidend für die Entwicklung neuer Medikamente und die Protein‑Engineering‑Forschung.

Deep‑Learning‑Ansätze haben bereits vielversprechende Ergebnisse erzielt, stoßen jedoch auf zwei wesentliche Hindernisse: Erstens sind die Strukturen von Mutanten häufig nicht verfügbar, und zweitens berücksichtigen die meisten Modelle die dynamische Natur von PPI kaum.

Um diese Probleme zu überwinden, wurde das neue Framework Refine‑PPI vorgestellt. Es kombiniert zwei innovative Komponenten: Ein Struktur‑Verfeinerungsmodul, das durch eine Mask‑Mutation‑Modellierungsaufgabe (MMM) auf Wild‑Type‑Strukturen trainiert wird und anschließend die fehlenden Mutantenstrukturen erzeugt; und ein neuartiges geometrisches Netzwerk, die Probability Density Cloud Network (PDC‑Net), das dreidimensionale Dynamikvariationen erfasst und die atomare Unsicherheit bei PPI codiert.

Umfangreiche Tests auf der SKEMPI.v2‑Datenbank zeigen, dass Refine‑PPI die Genauigkeit der Vorhersage von freien Energieänderungen deutlich über allen bestehenden Tools liegt. Diese Ergebnisse unterstreichen die Wirksamkeit der Halluzinationsstrategie und des PDC‑Modules bei der Bewältigung fehlender Mutantenstrukturen und der Modellierung geometrischer Unsicherheit.