KI-Modell kartiert Ionenbindungsstellen in Proteinen

Forschende der Constructor University und Constructor Labs haben mit BiteNetI ein neues Deep-Learning-Modell vorgestellt, das Ionenbindungstellen in dreidimensionalen Proteinstrukturen mit hoher Präzision lokalisiert. Die Ergebnisse der Studie, geleitet von Igor Kozlovskii und Petr Popov, wurden im Jahr 2026 in der Fachzeitschrift Communications Biology veröffentlicht. Proteine erfüllen als molekulare Maschinen zentrale Funktionen in menschlichen Zellen, wobei ihre Stabilität und Aktivität maßgeblich von der Interaktion mit geladenen Atomen wie Calcium, Natrium oder Kalium abhängen. Störungen dieser Ionenbindungen können zu schweren neurologischen, kardiovaskulären oder Stoffwechselerkrankungen führen. Die exakte Kartierung dieser Bindungsstellen auf atomarer Ebene ist daher für die Grundlagenforschung und die Wirkstoffentwicklung von entscheidender Bedeutung, gestaltet sich experimentell jedoch als aufwendig und kostspielig. BiteNetI adressiert dieses Engpassproblem durch eine auf Bilderkennungstechnologien basierende Architektur, die Proteine in ein dreidimensionales Raster überträgt und simultan nach Mustern für elf Atomtypen scannt. Das Modell wurde an einer kuratierten Datenbank von über zwölftausend Protein-Komplexen mit mehr als dreißigtausend präzise vermessenen Ionen trainiert. In der Praxis ermittelt BiteNetI die exakten Koordinaten und koordinierenden Aminosäurereste für vierzehn verschiedene Ionentypen innerhalb weniger Sekunden pro Struktur. Diese Multi-Task-Strategie ist etwa zehnmal schneller als die Ausführung spezialisierter Einzelsysteme, ohne dabei an Genauigkeit einzubüßen. Bei Vergleichstests mit etablierten Benchmarks wie MIonSite und IonCom übertraf BiteNetI die meisten existierenden Methoden. Für physiologisch kritische Ionen wie Calcium, Kalium, Magnesium, Phosphat und Sulfat erreichte das System eine zwei- bis dreifach höhere Trefferrate als herkömmliche Vorhersagetools. Sogar das KI-Modell AlphaFold 3 von Google DeepMind wurde in diesen Kategorien übertroffen, wenngleich AlphaFold 3 bei Kohlenstoffcarbonat und Natrium leicht führend blieb. Die Autoren betonen, dass BiteNetI und AlphaFold 3 unterschiedliche Fragestellungen bedienen: BiteNetI dient der schnellen und hochpräzisen Annotation bereits vorliegender Proteinstrukturen. Besondere Stärke zeigt das Modell zudem bei der Erfassung feiner genetischer Mutationen sowie bei der Einbeziehung von Lösungsmittelmolekülen, was die Genauigkeit in realistischen Umgebungen wie der Kryo-Elektronenmikroskopie signifikant steigert. Mit der Veröffentlichung stellen die Forschenden BiteNetI als registrierungsfreie Webanwendung für die wissenschaftliche Gemeinschaft bereit. Die unmittelbare Anwendungsmöglichkeit liegt in der beschleunigten Wirkstoffsuche, da jede Ionenbindungstelle als potenzieller Angriffspunkt für therapeutische Moleküle dient. Langfristig planen die Entwickler die Übertragung auf ein übergreifendes System, das alle Arten von Bindungsstellen von kleinen Molekülen über Peptide bis hin zu Ionen in einer einzigen Architektur abbilden kann. Dieser Ansatz würde die bisherige Arbeitsteilung in der strukturellen Bioinformatik auflösen und Forscherinnen und Forschern ein einheitliches Instrument für komplexe molekulare Analysen bieten.