EvoRank der UT Austin, ein bahnbrechendes, von der natürlichen Evolution inspiriertes KI-Modell, wird mit seinem innovativen Ansatz zur proteinbasierten Arzneimittel- und Impfstoffentwicklung die biomedizinische Forschung verändern.
Forscher der University of Texas in Austin haben ein innovatives KI-Modell vorgestellt, das die biomedizinische Forschung revolutionieren soll. Dieser künstliche Intelligenzmechanismus namens EvoRank nutzt die Prinzipien der Evolution, um proteinbasierte Therapien und Impfstoffe zu entwickeln, die zu wirksameren und weniger toxischen Behandlungen in der Medizin führen könnten.
Vorgestellt auf der International Conference on Machine Learning und detailliert In Nature Communications verfolgt EvoRank einen neuartigen Ansatz, indem es die Evolutionsprozesse der Natur nachahmt.
„Die Natur hat Proteine drei Milliarden Jahre lang entwickelt, Aminosäuren mutiert oder ausgetauscht und diejenigen beibehalten, die Lebewesen zugute kommen“, sagte Daniel Diaz, ein Informatikforscher und Co-Leiter der Deep Proteins-Gruppe an der UT, in einem Pressemitteilung„EvoRank lernt, die Evolution, die wir um uns herum beobachten, einzuordnen, im Wesentlichen die Prinzipien herauszufiltern, die die Proteinevolution bestimmen, und diese Prinzipien so zu nutzen, dass sie die Entwicklung neuer proteinbasierter Anwendungen steuern können, unter anderem für die Entwicklung von Medikamenten und Impfstoffen sowie für ein breites Spektrum von Zwecken der Bioproduktion.“
Ein Zuschuss der Advanced Research Projects Agency for Health wird diesem UT-Team fast 2.5 Millionen Dollar zur Verfügung stellen. In Zusammenarbeit mit dem Impfstoffhersteller Jason McLellan, Professor für Molekularbiowissenschaften an der UT, und dem La Jolla Institute for Immunology wird sich die Finanzierung auf die Nutzung von KI in der Proteintechnik konzentrieren, um Impfstoffe gegen Herpesviren zu entwickeln.
„Die Entwicklung von Proteinen mit Fähigkeiten, die natürliche Proteine nicht haben, ist eine immer wiederkehrende große Herausforderung in den Biowissenschaften“, sagte Adam Klivans, Co-Leiter von Deep Proteins und Professor für Informatik, in der Pressemitteilung.
Anders als Googles AlphaFold, das die 3D-Strukturen von Proteinen vorhersagt, nutzt EvoRank zusammen mit dem Stability Oracle-Framework evolutionäre Variationen innerhalb bestehender Proteine. Dadurch kann das Modell die biochemische Lebensfähigkeit und Stabilität erkennen, die für proteinbasierte Anwendungen erforderlich ist.
„Die Modelle haben Substitutionsmöglichkeiten gefunden, an die wir nie gedacht hätten“, fügte McLellan hinzu. „Sie funktionieren, aber es sind Dinge, die wir nicht vorhergesagt hätten. Sie finden also tatsächlich neuen Raum zur Stabilisierung.“
McLellans Team synthetisiert und testet diese KI-generierten viralen Proteindesigns bereits.
Der Markt für Proteintherapeutika, der bereits jetzt auf rund 400 Milliarden US-Dollar geschätzt wird, soll im nächsten Jahrzehnt um über 50 % wachsen. Der Weg vom Arzneimitteldesign bis zur FDA-Zulassung ist jedoch mühsam, langwierig und kostspielig. Die Fortschritte von EvoRank bergen das Potenzial, diesen Prozess drastisch zu rationalisieren und bieten neue Möglichkeiten für gentechnische Entscheidungen, die traditionell durch mühsame Versuch-und-Irrtum-Methoden getroffen werden.
Diaz und sein Team wollen EvoRank und seinen breiteren Rahmen weiter verfeinern, indem sie eine „mehrspaltige“ Version zur gleichzeitigen Auswertung mehrerer Mutationen entwickeln. Diese Arbeit, die modernste Algorithmen des maschinellen Lernens einbezieht, könnte das Protein-Engineering auf beispiellose Durchbrüche in der Arzneimittelentwicklung ausrichten.