ETH entwickelt Vorhersagemodell für Proteinproduktion in Zellen

27. August 2020 13:47

Zürich/Basel - Ein Basler Team der ETH Zürich hat ein Vorhersagemodell für die Proteinsynthese-Maschinerie erarbeitet. Mithilfe von Algorithmen kann es für Milliarden von RNA-Sequenzen Auskunft darüber geben, wie gut Ribosomen an sie andocken. Dieser universelle Ansatz könnte auch im Zusammenhang mit Erbkrankheiten grosse Fortschritte bringen.

Forschende der Eidgenössischen Technischen Hochschule Zürich (ETH) können für viele Milliarden verschiedener Abfolgen von RNA-Bausteinen vorhersagen, wie gut die zelluläre Proteinsynthese-Maschinerie (Ribosome) an sie andockt. Je besser dieses Andocken verläuft, umso mehr eines bestimmten Proteins kann hergestellt werden. Wie die ETH in einer Medienmitteilung erklärt, fehlte bisher ein umfassendes Verständnis zu diesen Andockstellen. 

Nun hat ein interdisziplinäres Team von Forschenden des Departements Biosysteme (D-BSSE) der ETH in Basel einen Ansatz entwickelt, mit dem es erstmals möglich ist, detaillierte Informationen zu einer unglaublich grossen Zahl solcher Andockstellen in Bakterien zu gewinnen. Der Ansatz kombiniert experimentelle Methoden der synthetischen Biologie mit maschinellem Lernen. „Der Einfluss von genetischer Information auf die Menge eines Proteins, das in einer Zelle hergestellt wird, ist auch beim Menschen interessant“, erklärt ETH-Professor Yaakov Benenson. „Gerade auch im Zusammenhang mit genetisch bedingten Krankheiten.“

In einem Schritt stellte das Team 300'000 Ribosomen-Andockstellen synthetisch her. Dann fusionierten sie diese jeweils mit einem Gen für ein Enzym, das ein Stück DNA verändert. Diese Gen-Konstrukte führten sie in Bakterien ein, um zu sehen, wie stark sich jeweils Ribosomen an die RNA heften. Bisher war das pro Experiment nur für mehrere Hundert RNA-Sequenzen möglich. Die veränderte Enzym- und Proteinproduktion konnten die Forschenden zusammen mit der jeweiligen RNA-Sequenz der Andockstelle mithilfe der modernsten Technik, dem Deep Sequencing, auslesen.

Die so gewonnenen Daten wurden danach mit Algorithmen des maschinellen Lernens untersucht. „Diese Algorithmen erkennen in grossen Datenbeständen komplexe statistische Zusammenhänge. Mit deren Hilfe können wir vorhersagen, wie gut Ribosomen eine bestimmte RNA-Sequenz binden“, sagt Karsten Borgwardt, Professor für Data-Mining. Ihre Vorhersagemodelle stellen die Forschenden nun der Wissenschaftsgemeinde frei zur Verfügung. mm

Mehr zu Life Sciences

Aktuelles im Firmenwiki