KI eröffnet neue Wege für Computermodelle des Stoffwechsels Logo of esanum https://www.esanum.de

KI eröffnet neue Wege für Computermodelle des Stoffwechsels

Enzyme sind biologische Katalysatoren, die Stoffumwandlungen begünstigen. Ein internationales Forschungsteam der Heinrich-Heine-Universität Düsseldorf hat ein neues KI-Verfahren entwickelt, um die Michaelis-Konstante vorherzusagen.

KI hilft, Enzymtätigkeit zu quantifizieren

Enzyme sind biologische Katalysatoren, die Stoffumwandlungen begünstigen. Ein internationales Bioinformatikerteam unter Leitung von Prof. Dr. Martin Lercher von der Heinrich-Heine-Universität Düsseldorf (HHU) entwickelte ein neues Verfahren, um die die Reaktionskinetik bestimmende Michaelis-Konstante vorherzusagen. Dieses auf künstlicher Intelligenz (KI) basierende Verfahren beschreiben sie in der aktuellen Ausgabe der Fachzeitschrift PLOS Biology.

Ohne Enzyme wäre ein Organismus nicht lebensfähig. Denn erst mithilfe dieser Biokatalysatoren können in der Zelle eine Vielzahl von chemischen Reaktionen ablaufen, mit denen die Stoffe produziert werden, aus denen die Zellen aufgebaut sind und die sie steuern.

Um enzymatisch begünstigte Stoffwechselprozesse zu beschreiben, wird die Michaelis-Menten-Gleichung benutzt. Sie beschreibt die Geschwindigkeit einer Enzymreaktion abhängig von der Konzentration, in der die beteiligten Ausgangsmoleküle – die während der Reaktion in die Endprodukte umgewandelt werden – vorliegen. Ein zentraler Faktor in dieser Gleichung ist die "Michaelis-Konstante", die die Stärke der Bindung zwischen Enzym und Substrate charakterisiert.

Neuer Ansatz zur Messung der Michaelis-Konstante

Diese Konstante im Labor zu messen, ist extrem aufwändig. Aus diesem Grunde sind nur von einer Minderheit der Enzyme diese Konstanten bekannt. Ein Forschungsteam vom HHU-Institut für Computational Cell Biology und der Chalmers-Universität in Stockholm hat nun einen anderen Ansatz gewählt, um die Michaelis-Konstanten aus der Struktur der beteiligten Moleküle und Enzyme mittels KI vorherzusagen.

Sie wandten ihren auf Deep-Learning-Verfahren basierenden Ansatz auf 47 Modellorganismen – von Bakterien über Pflanzen bis hin zum Menschen – an. Als Lerndaten, die dieser Ansatz benötigt, speisten sie bekannte Daten von fast 10.000 Paaren von Enzymen und Ausgangsstoffen ein. Die Ergebnisse testeten sie anhand von Michaelis-Konstanten, die nicht für den Lernprozess benutzt worden waren.

Prof. Lercher zur Qualität der Ergebnisse: "Anhand der unabhängigen Testdaten konnten wir zeigen, dass das Verfahren Michaelis-Konstanten mit einer Genauigkeit vorhersagen kann, die ähnlich zu den Unterschieden zwischen experimentellen Werten aus verschiedenen Laboren ist. Ein Schätzwert für eine neue Konstante kann nun per Computer ohne experimentellen Aufwand in wenigen Sekunden berechnet werden." Die plötzliche Verfügbarkeit von Michaelis-Konstanten für alle Enzyme von Modellorganismen eröffnet neue Wege für Computermodelle des Stoffwechsels, wie die Zeitschrift PLOS Biology in einem Begleitartikel betont.

Quelle: 
Alexander Kroll, Martin K. M. Engqvist, David Heckmann, Martin Lercher: Deep learning allows genome-scale prediction of Michaelis constants from structural features, PLOS Biology (2021).