Genetische Programmierung mit Multi-View-Features steigert Proteinstrukturvorhersage

Die Vorhersage der Protein‑Sekundärstruktur ist ein entscheidender Schritt, um Proteinfunktionen zu verstehen und neue Medikamente zu entwickeln. Trotz großer Fortschritte bleibt die komplexe Beziehung zwischen Aminosäuresequenz und dreidimensionaler Struktur eine große Herausforderung für genaue Modelle.

Um diese Hürde zu überwinden, hat ein Forschungsteam das neue Framework MOGP‑MMF vorgestellt. Dabei wird die Protein‑Sekundärstrukturvorhersage als automatisierte Optimierungsaufgabe formuliert, die sich auf die Auswahl und Kombination von Merkmalen konzentriert. MOGP‑MMF nutzt dabei einen multi‑objective genetischen Programmierungsansatz, um gleichzeitig Genauigkeit und Modellkomplexität zu optimieren.

Ein zentrales Merkmal des Ansatzes ist die Multi‑View‑Multi‑Level‑Repräsentation. Hierbei werden drei unterschiedliche Sichtweisen – evolutionär, semantisch und strukturell – integriert, um die vollständige Logik des Protein‑Faltens abzubilden. Durch diese Kombination können bislang unerkannte Zusammenhänge zwischen Sequenz und Struktur erfasst werden.

Das Framework erweitert zudem den Operator‑Set, sodass sowohl lineare als auch nichtlineare Fusionsfunktionen evolviert werden können. Dadurch werden hochgradige Feature‑Interaktionen effektiv erfasst, während die Komplexität der Fusionsschicht reduziert bleibt. Dies führt zu schlankeren Modellen ohne Verlust an Vorhersagekraft.

Um das Spannungsfeld zwischen Genauigkeit und Komplexität zu lösen, wurde ein verbesserter multi‑objective GP‑Algorithmus entwickelt. Dieser Algorithmus nutzt ein Knowledge‑Transfer‑Mechanismus, der frühere evolutionäre Erfahrungen nutzt, um die Population gezielt in Richtung globaler Optima zu lenken.

In umfangreichen Tests auf sieben Benchmark‑Datensätzen hat MOGP‑MMF die aktuellen Spitzenreiter übertroffen. Besonders hervorzuheben ist die Verbesserung der Q8‑Genauigkeit sowie die Erhaltung der strukturellen Integrität. Die Ergebnisse zeigen, dass das System nicht nur genauer, sondern auch robuster gegenüber unterschiedlichen Protein‑Typen ist.

Ein weiteres Plus von MOGP‑MMF ist die Erzeugung einer vielfältigen Menge nicht‑dominiertierter Lösungen. Anwender können so flexibel Modelle auswählen, die am besten zu ihren spezifischen Anforderungen passen – sei es maximale Genauigkeit, minimale Komplexität oder ein ausgewogenes Mittelmaß.

Der komplette Quellcode ist öffentlich auf GitHub verfügbar: https://github.com/qian-ann/MOGP-MMF/tree/main. Damit können Forscher und Entwickler das Framework sofort nutzen und weiterentwickeln.