Forum für Wissenschaft, Industrie und Wirtschaft

Hauptsponsoren:     3M 
Datenbankrecherche:

 

Maschinelles Lernen macht Proteomikforschung leistungsfähiger

29.05.2019

Mit dem Einsatz von künstlicher Intelligenz ist es Forschenden der Technischen Universität München (TUM) gelungen, die massenhafte Analyse von Eiweißen aus beliebigen Organismen deutlich schneller als bisher und praktisch fehlerfrei zu machen. Dieser neue Ansatz wird das Forschungsfeld der Proteomik stark verändern, da er sowohl in der Grundlagen- als auch in der klinischen Forschung angewandt werden kann.

Das Genom jedes Organismus enthält die Baupläne für Tausende von Eiweißen, die praktisch alle Funktionen des Lebens steuern. Fehlerhafte Proteine führen zu schweren Krankheiten wie Krebs, Diabetes oder Demenz. Eiweiße sind somit auch die wichtigsten Angriffspunkte für Medikamente.


Die Autoren Dr. Mathias Wilhelm, Tobias Schmidt und Siegfried Gessulat.

Astrid Eckert / TUM

Damit man Lebensvorgänge und Erkrankungen besser verstehen und passendere Therapien entwickeln kann, muss man möglichst viele Proteine gleichzeitig analysieren.

Aktuell wird hierzu die Massenspektrometrie genutzt, die in der Lage ist, Art und Menge der Eiweiße in einem biologischen System zu bestimmen. Jedoch machen die derzeitigen Verfahren der Datenanalyse noch viele Fehler.

Einem Team der TU München um den Bioinformatiker Mathias Wilhelm und den Biochemiker Bernhard Küster, Professor für Proteomik und Bioanalytik an der TU München, ist es nun gelungen, massenhaft erhobene proteomische Daten zu nutzen, um ein neuronales Netzwerk so zu trainieren, dass es Proteine deutlich schneller und praktisch fehlerfrei erkennen kann.

Lösung für ein gravierendes Problem

Massenspektrometer messen Proteine nicht direkt, sondern analysieren kleinere Teile, bestehend aus Aminosäuresequenzen mit bis zu 30 Bausteinen. Die gemessenen Spektren dieser Ketten werden mit Datenbanken abgeglichen, um sie einem bestimmten Protein zuzuordnen. Die Auswertesoftware kann jedoch nur einen Teil der enthaltenen Informationen nutzen. Daher werden manche Proteine nicht oder falsch erkannt.

„Das ist ein gravierendes Problem“, sagt Küster. Das neuronale Netzwerk, das das TUM-Team entwickelt hat, nutzt alle Informationen der Spektren für die Identifizierung. „Dadurch verpassen wir weniger Proteine und es passieren 100 mal weniger Fehler“, so Bernhard Küster.

Auf alle Organismen anwendbar

„Prosit“, wie die Forscher die KI-Software nennen, ist „auf alle Organsimen dieser Welt anwendbar, auch wenn man deren Proteome vorher nie untersucht hat“, sagt Mathias Wilhelm. „Das ermöglicht Untersuchungen, die vorher nicht denkbar waren.“

Der Algorithmus ist mit Hilfe von 100 Millionen Massenspektren so umfangreich angelernt worden, dass er ohne erneutes Trainieren für alle gängigen Massenspektrometer eingesetzt werden kann. „Unser System ist hier weltweit führend“, sagt Küster.

Ein Milliardenmarkt

Kliniken, Biotechunternehmen, Pharmafirmen und die Forschung nutzen solche Hochleistungsgeräte; es ist schon jetzt ein Milliardenmarkt. Mit „Prosit“ können zukünftig noch leistungsfähigere Geräte entwickelt werden. Ebenso werden Forscher und Mediziner besser und schneller nach Biomarkern im Blut oder Urin von Patienten suchen oder Therapien hinsichtlich der Wirksamkeit überwachen können.

Auch für die Grundlagenforschung versprechen sich die Forscher viel. „Mit dem Verfahren kann man neuen Regulationsmechanismen in Zellen auf die Spur kommen“, so Küster. „Wir erhoffen uns hier einen erheblichen Erkenntnisgewinn, der sich mittel- und langfristig in der Behandlung von Erkrankungen von Mensch, Tier und Pflanze niederschlagen wird.“

Auch Wilhelm erwartet, dass „KI Methoden wie Prosit schon bald das Forschungsfeld der Proteomik nachhaltig verändern werden, da sie in nahezu allen Bereichen der Proteinforschung eingesetzt werden können.“

Weitere Informationen:


Die Studie wurde durch das vom BMBF geförderte Projekt ProteomeTools realisiert, hier arbeiten die Autoren mit den Firmen JPT (Berlin), SAP (Potsdam) und ThermoFisher Scientific (Bremen) zusammen. Prosit ist über ProteomicsDB verfügbar, welches im Rahmen des DIAS Projekts vom BMBF gefördert wird.

http://www.proteomicsdb.org
http://www.proteomicsdb.org/prosit
http://www.proteometools.org/

Wissenschaftliche Ansprechpartner:

Dr. Mathias Wilhelm und Prof. Dr. Bernhard Küster
Lehrstuhl für Proteomik und Bioanalytik
Technische Universität München
Emil Erlenmeyer Forum 5, 85354 Freising
Tel.: +49 8161 71 5696 – E-mail: mathias.wilhelm@tum.de; kuster@tum.de
http://www.wzw.tum.de/proteomics/

Originalpublikation:

Prosit: proteome-wide prediction of peptide tandem mass spectra by deep learning
Siegfried Gessulat, Tobias Schmidt, Daniel Paul Zolg, Patroklos Samaras, Karsten Schnatbaum, Johannes Zerweck, Tobias Knaute, Julia Rechenberger, Bernard Delanghe, Andreas Huhmer, Ulf Reimer, Hans-Christian Ehrlich, Stephan Aiche, Bernhard Küster und Mathias Wilhelm
Nature Methods, 27.05.2019 – DOI: 10.1038/s41592-019-0426-7
https://doi.org/10.1038/s41592-019-0426-7

Weitere Informationen:

https://www.tum.de/die-tum/aktuelles/pressemitteilungen/details/article/35470/ Link zur Pressemitteilung

http://www.tum.de/die-tum/aktuelles/pressemitteilungen/details/article/35471/ Weitere aktuelle Meldung zum Einsatz künstlicher Intelligenz in der Genomforschung

Dr. Ulrich Marsch | Technische Universität München

Weitere Nachrichten aus der Kategorie Biowissenschaften Chemie:

nachricht Fliegen verbreiten Krankheiten möglicherweise auch unter Affen
17.07.2019 | Max-Planck-Institut für evolutionäre Anthropologie

nachricht Versteckte Dynamik in neuronalen Netzwerken entdeckt
16.07.2019 | Forschungszentrum Jülich

Alle Nachrichten aus der Kategorie: Biowissenschaften Chemie >>>

Die aktuellsten Pressemeldungen zum Suchbegriff Innovation >>>

Die letzten 5 Focus-News des innovations-reports im Überblick:

Im Focus: Megakaryozyten als „Türsteher“ und Regulatoren der Zellmigration im Knochenmark

In einer neuen Studie zeigen Wissenschaftler der Universität Würzburg und des Universitätsklinikums Würzburg, dass Megakaryozyten als eine Art „Türsteher“ auftreten und so die Eigenschaften von Knochenmarksnischen und die Dynamik der Zellmigration verändern. Die Studie wurde im Juli im Journal „Haematologica“ veröffentlicht.

Die Hämatopoese ist der Prozess der Bildung von Blutzellen, der überwiegend im Knochenmark auftritt. Das Knochenmark produziert alle Arten von Blutkörperchen:...

Im Focus: Megakaryocytes act as „bouncers“ restraining cell migration in the bone marrow

Scientists at the University Würzburg and University Hospital of Würzburg found that megakaryocytes act as “bouncers” and thus modulate bone marrow niche properties and cell migration dynamics. The study was published in July in the Journal “Haematologica”.

Hematopoiesis is the process of forming blood cells, which occurs predominantly in the bone marrow. The bone marrow produces all types of blood cells: red...

Im Focus: Beschleunigerphysik: Alternatives Material für supraleitende Hochfrequenzkavitäten getestet

Supraleitende Hochfrequenzkavitäten können Elektronenpakete in modernen Synchrotronquellen und Freien Elektronenlasern mit extrem hoher Energie ausstatten. Zurzeit bestehen sie aus reinem Niob. Eine internationale Kooperation hat nun untersucht, welche Vorteile eine Beschichtung mit Niob-Zinn im Vergleich zu reinem Niob bietet.

Zurzeit ist Niob das Material der Wahl, um supraleitende Hochfrequenzkavitäten zu bauen. So werden sie für Projekte wie bERLinPro und BESSY-VSR eingesetzt,...

Im Focus: Künstliche Intelligenz löst Rätsel der Physik der Kondensierten Materie: Was ist die perfekte Quantentheorie?

Für einige Phänomene der Quanten-Vielteilchenphysik gibt es mehrere Theorien. Doch welche Theorie beschreibt ein quantenphysikalisches Phänomen am besten? Ein Team von Forschern der Technischen Universität München (TUM) und der amerikanischen Harvard University nutzt nun erfolgreich künstliche neuronale Netzwerke für die Bildanalyse von Quantensystemen.

Hund oder Katze? Die Unterscheidung ist ein Paradebeispiel für maschinelles Lernen: Künstliche neuronale Netzwerke können darauf trainiert werden Bilder zu...

Im Focus: Artificial neural network resolves puzzles from condensed matter physics: Which is the perfect quantum theory?

For some phenomena in quantum many-body physics several competing theories exist. But which of them describes a quantum phenomenon best? A team of researchers from the Technical University of Munich (TUM) and Harvard University in the United States has now successfully deployed artificial neural networks for image analysis of quantum systems.

Is that a dog or a cat? Such a classification is a prime example of machine learning: artificial neural networks can be trained to analyze images by looking...

Alle Focus-News des Innovations-reports >>>

Anzeige

Anzeige

VideoLinks
Industrie & Wirtschaft
Veranstaltungen

Auswandern auf Terra-2?

15.07.2019 | Veranstaltungen

Hallo Herz! Wie kommuniziert welches Organ mit dem Herzen?

12.07.2019 | Veranstaltungen

Schwarze Löcher und unser Navi im Kopf: Wissenschaftsshow im Telekom Dome in Bonn

11.07.2019 | Veranstaltungen

VideoLinks
Wissenschaft & Forschung
Weitere VideoLinks im Überblick >>>
 
Aktuelle Beiträge

Fliegen verbreiten Krankheiten möglicherweise auch unter Affen

17.07.2019 | Biowissenschaften Chemie

Recycling auf der Erde schon seit mehr als 3 Milliarden Jahren - Plattentektonik viel älter als bisher angenommen

17.07.2019 | Geowissenschaften

Kabelloser Mikromotor aus verdrillter Faser

17.07.2019 | Energie und Elektrotechnik

Weitere B2B-VideoLinks
IHR
JOB & KARRIERE
SERVICE
im innovations-report
in Kooperation mit academics