Computergestützte Methode zur Vorhersage von RNA-Strukturen
6. September 2023
Computergestützte Methode zur Vorhersage von RNA-Strukturen
Das Institut für Softwaretechnologie erforschte gemeinsam mit dem Karlsruher Institut für Technologie und dem Forschungszentrums Jülich die Vorhersage von RNA-Strukturen, die auf Deep-Learning-Methoden baut.
Im Projekt ProFiLe entwickelte das interdisziplinäre Forschungsteam eine computergestützte Methode zur Vorhersage von RNA-Strukturen. Eine Aufgabe mit potenziell weitreichenden Auswirkungen, da RNA in allen lebenden Organismen vorkommt und eine entscheidende Rolle bei verschiedenen biologischen Prozessen spielt, wie z.B. bei der Proteinsynthese und der Genregulation und vielem mehr. Die Ergebnisse sind beeindruckend, da das Konzept einen Durchbruch bei der Verringerung der Sequenz-zu-Struktur-Lücke für RNA darstellen könnte und auf andere Aufgaben verallgemeinerbar ist.
Vorhersagen von RNA-Strukturen mithilfe von Deep-Learning-Methoden werden im Projekt ProFiLe untersucht.
Credit:
DLR et al. CC-BY https://www.nature.com/articles/s42003-023-05244-9.pdf
Vergleich der „contact map“ mit festgehaltenem Backbone und freiem Backbone.
Die Vorhersage der RNA-Faltung ist ein komplexes Problem, da sich die Moleküle in eine große Anzahl möglicher dreidimensionaler Strukturen falten können. Da es biochemisch experimentell schwierig ist, Informationen aus der RNA zu extrahieren, ist die Datenbasis für den Start des Deep-Learning-Zyklus recht klein. Mit den begrenzten verfügbaren Daten konzentrierte sich die Forschungsgruppe auf die Vorhersage von räumlichen Nachbarschaften, die als „contact maps“ bekannt sind und die Grundlage für die Vorhersage der 3D-Struktur bilden.
Die Studie befasst sich mit dem Bereich des selbstüberwachten Lernens für RNA-Multiple-Sequence-Alignments, wobei ein besonderer Schwerpunkt auf der Vorhersage von Kontakten aus latenten „attention maps“ liegt. Durch die Einführung von “ boosted decision trees“ wurde die Qualität der Kontaktvorhersagen erheblich verbessert, die durch eine Feinabstimmung des vortrainierten Backbones weiter verfeinert wurden.
