Knowledge-Design: Die Grenzen der Protein-Designs durch Wissensverfeinerung erweitern

Neuere Studien haben eine konkurrenzfähige Leistung im Bereich der Protein-Design-Aufgaben gezeigt, bei denen es darum geht, Aminosäuresequenzen zu finden, die sich in eine gewünschte Struktur falten. Allerdings ignorieren die meisten dieser Ansätze die Bedeutung der Vorhersagezuverlässigkeit, decken den weiten Raum der Protein-Strukturen unzureichend ab und integrieren keine gängigen Kenntnisse über Proteine. Angesichts des großartigen Erfolgs vortrainierter Modelle bei vielfältigen proteinbezogenen Aufgaben sowie der Tatsache, dass die Wiederherstellungsrate stark mit der Vorhersagezuverlässigkeit korreliert, fragen wir uns, ob dieses Wissen die Grenzen des Protein-Designs weiter voranbringen kann. Als Lösung schlagen wir ein wissensbasiertes Modul vor, das niedrigqualitative Aminosäuren nachbearbeitet. Zudem führen wir eine Speicherabruf-Mechanismus ein, der mehr als 50 % der Trainingszeit einspart. Wir evaluieren unsere Methode umfassend an den Datensätzen CATH, TS50 und TS500. Unsere Ergebnisse zeigen, dass unsere Methode Knowledge-Design die vorherige PiFold-Methode auf dem CATH-Datensatz um etwa 9 % übertrifft. Insbesondere ist Knowledge-Design die erste Methode, die auf den Benchmarks CATH, TS50 und TS500 eine Wiederherstellungsrate von über 60 % erreicht. Wir liefern zudem zusätzliche Analysen, die die Wirksamkeit unseres Ansatzes belegen. Der Quellcode wird öffentlich zugänglich sein.