PeSTo: parameterfreies geometrisches Deep Learning zur genauen Vorhersage von Protein-Bindungsstellen

Proteine sind essentielle molekulare Bausteine des Lebens und verantwortlich für die meisten biologischen Funktionen aufgrund ihrer spezifischen molekularen Wechselwirkungen. Die Vorhersage ihrer Bindungsstellen bleibt jedoch eine Herausforderung. In dieser Studie präsentieren wir einen geometrischen Transformer, der direkt auf atomaren Koordinaten operiert, die lediglich mit Elementnamen beschriftet sind. Das resultierende Modell – der Protein Structure Transformer, PeSTo – übertrifft die derzeit beste Leistung bei der Vorhersage von Protein-Protein-Interaktionen und kann zudem mit hoher Zuverlässigkeit sowie Unterscheidungsfähigkeit zwischen Interaktionen mit Nukleinsäuren, Lipiden, Ionen und kleinen Molekülen vorhersagen. Durch seine geringen rechnerischen Kosten ermöglicht PeSTo die Verarbeitung großer Volumina struktureller Daten, beispielsweise von Moleküldynamik-Ensembles, wodurch Interaktionen entdeckt werden können, die in statischen experimentell aufgelösten Strukturen sonst unerkennbar bleiben. Darüber hinaus können die zunehmend wachsenden Strukturdaten aus de-novo-Vorhersagen leicht analysiert werden, was neue Möglichkeiten eröffnet, bisher unerforschte biologische Phänomene aufzudecken.