Fortschritte im multimodalen Proteindesign durch KI-Modelle

Die Forschung im Bereich des Proteindesigns hat in den letzten Jahren erhebliche Fortschritte gemacht, insbesondere durch den Einsatz künstlicher Intelligenz. Ein zentraler Fokus liegt dabei auf der Interdependenz von Proteinen und DNA, die für das Verständnis und die Manipulation biologischer Systeme von entscheidender Bedeutung ist. Aktuelle Entwicklungen multimodaler KI-Modelle ermöglichen es, die komplexen Beziehungen zwischen Proteinsequenzen, 3D-Strukturen und DNA-Sequenzen umfassender zu analysieren und zu designen.

Grundlagen des multimodalen Proteindesigns

Traditionelle Ansätze im Proteindesign konzentrierten sich oft auf die Optimierung einzelner Modalitäten – entweder Sequenzen oder Strukturen. Die biologische Realität ist jedoch multimodal; Proteine, DNA und andere Biomoleküle interagieren auf vielfältige Weise, um funktionelle Einheiten zu bilden. Multimodale KI-Modelle zielen darauf ab, diese Vernetzung abzubilden und zu nutzen.

Ein Beispiel für diese Entwicklung ist ProDMM (Protein-DNA Multimodal Model), ein Framework, das die Analyse biologischer Sequenzen durch eine vereinheitlichte Darstellung von Proteinen, kodierenden DNA-Sequenzen (CDS) und angrenzenden nicht-kodierenden regulatorischen Elementen (NCDS) neu definiert. ProDMM wurde selbstüberwacht auf über 129 Millionen gepaarten Sequenzen vortrainiert. Ziel ist es, semantische Merkmale von Proteinsequenzen, CDS und NCDS zu integrieren und deren Interdependenzen zu erfassen.

Ein weiteres herausragendes Modell ist DISCO (DIffusion for Sequence-structure CO-design). Dieses multimodale generative Modell ermöglicht die gemeinsame Entwicklung von Proteinsequenzen und 3D-Strukturen. Im Gegensatz zu sequenziellen Pipelines, die zuerst ein Grundgerüst erzeugen und dann eine inverse Faltung anwenden, generiert DISCO beide Modalitäten gleichzeitig. Dies erlaubt es, sequenzbasierte Ziele in die Strukturerzeugung einfliessen zu lassen und umgekehrt.

Architektur und Funktionsweise der Modelle

Die Architektur von ProDMM basiert auf einem dualen Komponentenansatz. Der Encoder nutzt einen Transformer-basierten bidirektionalen Aufmerksamkeitsmechanismus, um komplexe Beziehungen über biologische Sequenzen hinweg zu modellieren. Durch vortrainiertes Masked Language Modeling (MLM) verarbeitet der Encoder vier verschiedene Sequenzformate – Proteinsequenzen, CDS und zusammengesetzte NCDS-Protein-/CDS-Strukturen. Dies geschieht, um kontextuelle Abhängigkeiten zwischen kodierenden Regionen und ihren regulatorischen Kontexten zu erfassen.

DISCO hingegen, ein Diffusionsmodell, das Proteinsequenz und 3D-Struktur gleichzeitig ko-designt, operiert um beliebige Biomoleküle herum. Es kann neue Häm-Enzyme mit neuartigen aktiven Zentrumsgeometrien entwerfen, die ausschliesslich auf reaktiven Zwischenprodukten basieren, ohne katalytische Reste vorzuspezifizieren oder auf Gerüststrukturen zu vertrauen. Dies ermöglicht die Katalyse neuartiger Karben-Transferreaktionen mit hoher Aktivität, die die von optimierten Enzymen übertreffen.

Anwendungsbereiche und Potenzial

Die Fähigkeiten dieser multimodalen Modelle erstrecken sich über verschiedene Bereiche der Biowissenschaften und Biotechnologie:

• Enzym-Engineering: DISCO hat gezeigt, dass es Enzyme mit neuartigen Funktionen entwerfen kann, die in der Natur nicht vorkommen. Die Fähigkeit, Enzyme zu entwickeln, die chemische Reaktionen katalysieren, die bisher nicht genetisch kodierbar waren, eröffnet neue Möglichkeiten in der chemischen Synthese.
• Synthetische Biologie: ProDMM verbessert die Vorhersage von Genexpressionsniveaus und die Optimierung von Promotoren und CDS für die Entwicklung massgeschneiderter Biosynthesesysteme. Die Modelle helfen dabei, die ko-evolutionären Wechselwirkungen zwischen nicht-kodierenden und kodierenden DNA-Sequenzen zu verstehen und zu nutzen.
• Medizinische Anwendungen: Das Design von Proteinen mit spezifischen Bindungseigenschaften für Liganden, DNA und RNA könnte die Entwicklung neuer Therapeutika und Diagnostika vorantreiben.

Herausforderungen und Ausblick

Trotz der beeindruckenden Fortschritte stehen die multimodalen KI-Modelle noch vor Herausforderungen. Die Integration verschiedener Datenmodalitäten erfordert weiterhin Verbesserungen in der Modellarchitektur und den Trainingsstrategien. Die Komplexität biologischer Systeme, insbesondere die subtilen Wechselwirkungen und die hohe Variabilität, stellen hohe Anforderungen an die Genauigkeit und Generalisierbarkeit der Modelle.

Die Forschung konzentriert sich darauf, die Modelle robuster zu machen, die Vorhersagegenauigkeit zu erhöhen und die Interpretierbarkeit der Ergebnisse zu verbessern. Dies beinhaltet die Entwicklung von Modellen, die längere Sequenzen und komplexere Multimolekül-Interaktionen verarbeiten können. Die kontinuierliche Erweiterung der Datenbasis und die Verfeinerung der Algorithmen sind entscheidend, um das volle Potenzial dieser Technologien auszuschöpfen.

Die multimodalen Proteindesign-Modelle wie ProDMM und DISCO stellen einen Paradigmenwechsel in der Biowissenschaft dar. Sie ermöglichen ein tieferes Verständnis der Protein-DNA-Interdependenz und bieten leistungsstarke Werkzeuge für die Entwicklung neuartiger Biomoleküle und biotechnologischer Anwendungen. Die Fähigkeit, Sequenzen und Strukturen gleichzeitig und kontextabhängig zu entwerfen, ebnet den Weg für eine neue Ära des zielgerichteten und effizienten Proteindesigns.

Bibliographie

- Liu, S., Li, Y., Li, Z., Gitter, A., Zhu, Y., Lu, J., Xu, Z., Nie, W., Ramanathan, A., Xiao, C., Tang, J., Guo, H., & Anandkumar, A. (2025). A text-guided protein design framework. Nature Machine Intelligence. - Liu, C.-H., Lambert, T., Skreta, M., Roth, D., Long, Y., Li, Z.-Q., Zhang, X., Cretu, M., Li, F.-Z., Ganapathy, T., Jin, E., Bose, A. J., Yang, J., Neklyudov, K., Bengio, Y., Tong, A., Arnold, F. H., & Liu, C.-H. (2026). General Multimodal Protein Design Enables DNA-Encoding of Chemistry. arXiv preprint arXiv:2604.05181. - Li, M., Ren, Y., Ye, P., Cheng, J., Ma, X., Cai, Y., Ouyang, W., Zhong, B., Wu, B., Dong, N., Hong, L., & Tan, P. (2025). Unveiling Protein-DNA Interdependency: Harnessing Unified Multimodal Sequence Modeling, Understanding and Generation. bioRxiv. - Zhu, S., Gulati, S., Liu, Y., Kotnis, S., Sun, Q., & Shen, Y. (2025). Multimodal diffusion for joint design of protein sequence and structure. Protein Science, 34(12), e70340. - Lou, Y., Mao, S., Wu, T., Xia, F., Zhang, Z., Tian, Y., Li, Y., Cheng, Q., Yan, J., & Wang, X. (2026). HalluCodon enables species-specific codon optimization using multimodal language models. bioRxiv. - Truong Jr, T. F., & Bepler, T. (2025). A multimodal foundation model for controllable protein generation and representation learning. openprotein.ai. - Zhang, Y., Chen, X., Jin, B., Wang, S., Ji, S., Wang, W., & Han, J. (2024). A comprehensive survey of scientific large language models and their applications in scientific discovery. arXiv preprint arXiv:2406.10833. - Baker Lab Publications. (n.d.). Retrieved from https://www.bakerlab.org/publications/