Neue Forschung, in klarer Sprache

Proceedings of the National Academy of Sciences  ·  2. Juli 2026  ·  Aus Ausgabe 01

Beyond native sequence recovery: Improved modeling of the sequence-energy landscape of protein structures

Schlechter im Erraten der Original-Proteinsequenzen zu sein, machte ein Modell besser bei echten Design-Aufgaben.

Foster Birnbaum, Amy E. Keating.

Ein üblicher Test für Protein-Design-Software misst vielleicht das Falsche. Viele Computermodelle lernen neue Proteine zu entwerfen, indem sie zunächst lernen, die genaue Original-Sequenz einer bekannten Proteinstruktur zu erraten. Diese Arbeit zeigt: Wird ein Modell besser in diesem Rate-Spiel, heißt das nicht, dass es auch besser bei echten Design-Aufgaben ist. Zu echten Aufgaben gehört, vorherzusagen, wie stark ein Protein seine Form hält und wie Änderungen an seinen Bausteinen die Stabilität beeinflussen. Die Autoren haben ein neues Modell namens PottsMPNN entwickelt. Es lernt zu bewerten, wie gut verschiedene Bausteine an jeder Stelle des Proteins zusammenpassen, statt einfach die Original-Sequenz zu erraten. Dieses Modell war schlechter beim Erraten der genauen natürlichen Sequenz. Aber es erzeugte bessere entworfene Sequenzen. Es machte auch bessere Vorhersagen darüber, wie sich Änderungen auf die Protein-Stabilität auswirken.

Integritätsprüfung: bestanden (3 Prüfungen) Geprüft am 6. Juli 2026. Zur Quelle

Die verständliche Lektüre dieser Studie steht in der vollen Ausgabe, für Abonnenten.

Volle Ausgabe lesen

Fünf geprüfte Studien, verständlich erklärt, kostenlos alle zwei Tage

Fünf Studien frei in jeder Ausgabe, etwa 15 E-Mails im Monat. Kein Spam. Abmelden mit einem Klick.

Ebenfalls in Ausgabe 01 10 Studien
Mehr aus Proceedings of the National Academy of Sciences