Metal3D: ein allgemeines Deep-Learning-Framework zur genauen Vorhersage der Metallionenstandorte in Proteinen

Metallionen sind essentielle Kofaktoren für viele Proteine und spielen eine entscheidende Rolle in zahlreichen Anwendungen, wie zum Beispiel im Enzymdesign oder beim Design von Protein-Protein-Interaktionen, da sie biologisch reichlich vorhanden sind, sich über starke Wechselwirkungen an das Protein binden und vorteilhafte katalytische Eigenschaften aufweisen. Das computergestützte Design von Metalloproteinen wird jedoch durch die komplexe elektronische Struktur vieler biologisch relevanter Metalle, wie Zink, behindert. In dieser Arbeit entwickeln wir zwei Werkzeuge - Metal3D (basierend auf 3D-convolutionalen neuronalen Netzwerken) und Metal1D (ausschließlich basierend auf geometrischen Kriterien), um die Vorhersage der Zinkionstandorte in Proteinstrukturen zu verbessern. Der Vergleich mit anderen derzeit verfügbaren Werkzeugen zeigt, dass Metal3D der genaueste Vorhersager für Zinkionstandorte bis heute ist, mit Vorhersagen innerhalb von 0,70 ± 0,64 Å der experimentellen Standorte. Metal3D gibt eine Konfidenzmetrik für jeden vorhergesagten Standort aus und funktioniert bei Proteinen mit wenigen Homologen in der Protein-Datenbank. Metal3D sagt eine globale Zinkdichte voraus, die zur Annotation von computergestützt vorhergesagten Strukturen verwendet werden kann, und eine zinkdichte pro Aminosäure, die in Protein-Design-Workflows genutzt werden kann. Derzeit auf Zink trainiert, ist das Framework von Metal3D leicht auf andere Metalle erweiterbar, indem die Trainingsdaten modifiziert werden.