Neue physikbasierte KI kartiert entscheidende Ionenbindungsstellen in Proteinen

Forschende der Constructor University und der Constructor Labs haben mit BiteNetI ein Deep-Learning-Modell entwickelt, das die Bindungsstellen von 14 biologisch relevanten Ionentypen direkt in dreidimensionalen Proteinstrukturen lokalisiert. Das System benötigt nur wenige Sekunden pro Struktur und erzielt eine zwei- bis dreifach höhere Genauigkeit als etablierte Vorhersagewerkzeuge wie AlphaFold3 von Google DeepMind. Als frei zugängliche Open-Access-Plattform besitzt das Tool das Potenzial, das Verständnis von Proteinfunktionen sowie die molekulare Wirkstoffforschung entscheidend zu beschleunigen.

Die funktionelle Rolle von Ionen in Proteinkomplexen

Proteine agieren als molekulare Arbeitstiere zellulärer Prozesse selten isoliert. Sie sind auf Kationen und Anionen wie Calcium, Natrium oder Kalium angewiesen, um ihre Tertiärstruktur zu stabilisieren, enzymatische Reaktionen zu katalysieren und Signaltransduktionen zu vermitteln. Aberrationen in diesen Ionen-Interaktionen korrelieren häufig mit neurologischen, kardiovaskulären oder metabolischen Pathologien. Die atomare Kartierung dieser Anlegestellen bietet strukturbiologisch dreifachen Mehrwert: Sie identifiziert erstens die durch ein gebundenes Ion stabilisierte Konformation, was aus der bloßen Aminosäuresequenz nicht ableitbar ist. Zweitens erlaubt sie die Quantifizierung, wie Punktmutationen die Ionenbindung schwächen oder wiederherstellen. Drittens priorisiert sie chemisch geeignete Proteintaschen für geladene Liganden in der frühen Pharmakofindung.

Technische Innovation und Funktionsweise von BiteNetI

Die experimentelle Validierung mittels Röntgenkristallographie oder Spektroskopie ist zeit- und kostenintensiv, während herkömmliche bioinformatische Ansätze meist auf einzelne Ionentypen oder reine Sequenzdaten beschränkt bleiben. BiteNetI umgeht diesen Engpass durch die Adaption moderner Bilderkennungsalgorithmen auf makromolekulare Systeme. Das Protein wird in ein dreidimensionales Gitter übersetzt und über elf Atomtypen hinweg wie ein multidimensionales Tomogramm analysiert. Trainiert an einer kuratierten Datenbank von über 12.000 Proteinkomplexen mit mehr als 35.000 kartierten Ionen, bestimmt das Multitask-Modell in Sekunden simultan die exakten Koordinaten sowie die koordinierenden Aminosäurereste für 14 Ionentypen. Dies beschleunigt den Durchsatz gegenüber spezialisierten Einzelmodellen um das Zehnfache – ohne Präzisionsverlust.

Benchmark-Ergebnisse und Performance im Vergleich zu AlphaFold3

In den Standard-Benchmarks MIonSite und IonCom übertraf BiteNetI Konkurrenzmethoden für die Mehrheit der Ionentypen und schlug bei Zinkbindungen sogar das spezialisierte Modell Metal3D. Während AlphaFold3 bei Carbonat und Natrium leichte Vorteile zeigte, lieferte BiteNetI deutlich überlegene Ergebnisse für Calcium, Kalium, Magnesium, Phosphat und Sulfat. Die Einbeziehung umgebender Wassermoleküle steigert die Vorhersagepräzision zusätzlich, da diese häufig an der Koordinationssphäre beteiligt sind. Zudem erweist sich das Modell als robust gegenüber unterschiedlichen experimentellen Eingangsdaten, etwa aus der Kryo-Elektronenmikroskopie.

„AlphaFold3 und BiteNetI beantworten unterschiedliche Fragen, und die Ergebnisse sollten vor diesem Hintergrund betrachtet werden“, erklärt Petr Popov. „Unsere Ergebnisse zeigen, dass ein kompaktes, aufgabetypisches Modell Ionenbindungsstellen in einer bestehenden Struktur sehr genau und sehr schnell annotieren kann.“

Ausblick: Die Zukunft der integrativen Molekularmodellierung

Das Entwicklerteam strebt eine Transformation analog zu den Fortschritten generativer KI-Systeme an. „Jede Bindungsstelle in einem Protein ist ein potenzieller Angriffspunkt für ein Medikament“, erläutert Popov. „Heute sagen wir sie Klasse für Klasse voraus – kleine Moleküle, Peptide, Ionen – jeweils mit einem eigenen Modell. Der nächste Schritt nach vorne wäre ein einziges allgemeines Modell, das sie alle erkennt. Das würde Forschenden ein einzelnes Werkzeug für Fragen an die Hand geben, die sie derzeit aus verschiedenen Richtungen angehen müssen.“ Für die Anwendung in der Praxis steht BiteNetI als registrierungsfreie Webanwendung unter bitenet-ion.imolecule.app zur Verfügung.

Quelle

Constructor University (08/2026)