Computermodelle zu molekularen Wechselwirkungen

Wir integrieren biochemische Informationen in Deep-Learning-Modelle, um die Variabilität von Proteinstrukturen und -interaktionen zu untersuchen.

Die Integration umfassender Informationen zu Proteinen in Deep-Learning-Modelle erlaubt Vorhersagen über ihr Verhalten.

Die Art und Weise, wie Proteinen mit anderen Molekülen in ihrer Umgebung interagieren, bestimmt ihre biologische Funktion. Diese Wechselwirkungen und die Variationen sind einerseits wichtig, um zu verstehen, wie Proteine funktionieren und andererseits, um zielgerichtete Arzneimittel entwickeln zu können.

Mit Deep Learning ist es möglich, die komplexe Proteinwelt abzubilden, da sich die riesigen Datenmengen von Proteinsequenzen und -strukturen sinnvoll miteinander verknüpfen lassen. Darauf basierend können wir 3D-Proteinstrukturen modellieren und Interaktions-Profile erstellen und so unterschiedlichste Protein-Varianten genauer untersuchen.

Zusätzlicher Kontext verbessert Vorhersage von Protein-Komplexen
Wir erweitern Deep-Learning-Modelle für Proteine, wie zum Beispiel AlphaFold2, indem wir Daten über ihre biochemische Umgebung mit einfliessen lassen. Dazu gehören Informationen über andere Proteine, niedermolekulare Stoffe, genetische Varianten, die Form und Gestalt sowie weitere experimentelle Daten. Dadurch können wir Protein-Komplexe so präzise beschreiben, dass wir Interaktionen auf atomarer Ebene verstehen können.

Versteckte Beziehungen im Proteinuniversum
Wir passen die Deep-Learning-Modelle für Proteine immer wieder an, um bislang verborgene funktionelle Zusammenhänge zwischen Proteinen aufzudecken. Unser Ziel ist es, Proteine zu identifizieren, die trotz geringer Gemeinsamkeiten ein ähnliches Bindungsmuster aufweisen.

Untersuchung von Bindungsstellen und immunogene Regionen
Vorhersagen zur Architektur und Funktion von Proteinen sind besonders schwierig, wenn es grosse Variationen in der Sequenz und Struktur gibt. Dies ist bei Virus-Proteinen häufig der Fall, aber auch bei Proteinregionen, die vom Immunsystem erkannt werden, und bei Proteinen mit speziellen Bindungsmustern. Mit unseren Methoden können wir solche komplexen Protein-Interaktionen genauer charakterisieren und schaffen so die Grundlage für die Entwicklung neuer, innovativer Wirkstoffe.