Key points are not available for this paper at this time.
Das Auftreten immun-evasiver Mutationen im Spike-Protein von SARS-CoV-2 stellt die bestehenden Impfstoffe und Therapien kontinuierlich vor Herausforderungen, was die präzise Vorhersage ihres Fluchtpotenzials zu einer kritischen Notwendigkeit macht. Künstliche Intelligenz (KI) verspricht große Fortschritte beim Entschlüsseln der komplexen Sprache von Proteinen. Hier haben wir ein Generatives Adversariales Netzwerk eingesetzt, um die verborgenen Fluchtwege innerhalb des Spike-Proteins zu entschlüsseln, indem wir Spikes generiert haben, die den natürlichen Spikes sehr ähnlich sind. Durch umfassende Analysen haben wir gezeigt, dass die generierten Sequenzen die natürlichen Fluchtmerkmale erfassen. Darüber hinaus verbesserte die Einbeziehung dieser Sequenzen in ein KI-basiertes Vorhersagemodell für Fluchtmutationen dessen Leistung erheblich, was zu einer Steigerung von 7 % bei der Erkennung natürlicher Fluchtmutationen in dem experimentell validierten Greaney-Datensatz führte. Ähnliche Verbesserungen wurden in anderen Datensätzen beobachtet, was die Übertragbarkeit des Modells demonstriert. Die präzise Vorhersage immun-evasiver Spikes ermöglicht nicht nur die Entwicklung strategisch gezielter Therapien, sondern hat auch das Potenzial, zukünftige virale Therapeutika zu beschleunigen. Dieser Durchbruch hat tiefgreifende Auswirkungen auf die Gestaltung einer widerstandsfähigeren Zukunft gegen virale Bedrohungen.
Bist et al. (Di,) haben diese Frage untersucht.