Computational Design On Protein Crystals

Heutzutage wird an die Entwicklung vieler Medikamente mittels Designs von neuen Proteinstrukturen herangegangen, welche an einen aktiven Stoff binden und diesen dann an die gewünschte Stelle in unserem Körper transportieren. Daneben kommen kristallisierende Proteine für Laborexperimente in Frage, weil sie stabil sind. Da Proteine, welche symmetrische Zusammenstellungen sponntan im Lösungsmittel bilden, wohl kristallisieren, sind diese von großer Bedeutung. In den letzten Jahren hat es sich herausgestellt, dass es in den Proteinen Muster gibt, die die aktuellen Machine Learning Sprachmodele lernen können. Sie wurden daher schnell als ein Hilfsmittel genommen zur Entlastung bei teuren und zeitaufwändigen chemischen Laborexperimenten beim Proteindesign. Es stellt sich nun der Bedarf ein, diese Modele an die symmetrischen Proteine anzupassen. In der vorliegenden Arbeit wird ein auf einem Graph Neural Network aufgebautes Model erklärt, das das structure-to-sequence Problem löst, das also für eine Proteinstruktur ihre Folge von Aminosäuren vorschlägt. Dieses Model wurde erweitert, damit es die zyklischen Zusammenstellungen von Proteins effizienter verarbeitet. Unter Verwendung von zwei Architekturen der Sprachmodele wurde die neue Version des Models trainiert und getestet auf zyklischen Zusammenstellungen von Proteins. Die Testergebnisse zeigen, dass unsere Erwei-terung noch nicht das Niveau des Referencemodels erreicht, aber interessanterweise liefert eine der untersuchten Architekturen bessere Vorhersagen als die andere, im Widerspruch zu bisherigen Ergebnissen in der Literatur. Am Ende stellt unsere Version des Models einen guten Ausgangspunkt zur Erweiterung auf die Proteinkristalle dar.