Projektbeschreibung
Ultrahochauflösende Proteinstruktur dank Kernspinresonanz-Spektroskopie-Messungen
Die Kernspinresonanz-Spektroskopie ist bei der Proteinstrukturanalyse ein entscheidendes Instrument, um die Dynamik und Struktur eines Proteins unter annähernd physiologischen Bedingungen messen zu können. Durch die Ergebnisse jüngster Studien zu exakten Kern-Overhauser-Effekten (eNOE) sind Distanzmessungen von Proteinen mittels Kernspinresonanz mit einer Genauigkeit von 0,1 Å möglich geworden. Das EU-finanzierte Projekt DeepNOE zielt auf die Entwicklung eines innovativen Modells/Algorithmus ab, der Rohmessungen per Kernspinresonanz automatisch in hochauflösende Proteinstrukturen umwandelt. Diese Proteinstrukturen sollen dazu dienen, mehrere gleichzeitig populierte Konformationszustände im atomaren Detail aufzuzeigen. Die Studie umfasst die Anwendung von tiefem Lernen, einem neuen Bereich des maschinellen Lernens, der die Datenwissenschaften und künstliche Intelligenz revolutioniert.
Ziel
Nuclear Magnetic Resonance (NMR) spectroscopy is one of the leading techniques for protein structure analysis. In contrast to other methods, NMR spectroscopy allows the measurement of the dynamics and structure of a protein under nearly physiological conditions, without the need for crystallization or freezing of a sample. Recent studies on exact Nuclear Overhauser enhancements (eNOEs), carried out in the laboratory of the host professor, have enabled distance measurements in proteins by NMR with accuracy of 0.1 Å. This allows to determine structures in solution and in living cells with unprecedented resolution.
This biophysical achievement creates an outstanding opportunity for a computer scientist (the fellow candidate) to develop the first-of-its-kind model/algorithm that automatically transforms raw NMR measurements into high-resolution protein structures that reveal multiple simultaneously populated conformational states in atomic detail. This problem will be tackled with the use of deep learning (DL), a novel field in machine learning that has emerged after 2010 and has revolutionized data science and artificial intelligence.
The project is divided into 3 parts. First, it is planned to investigate recent advances in DL to derive a model that extracts visual information from 2D and 3D NMR spectra. Afterwards, the proposed model will be integrated into CYANA to formulate a hierarchical DL/optimization routine, which automates all steps of protein structure solving. Finally, it is planned to explore the possibility of calculating protein structures directly from NOESY spectra, which constitutes a new protocol for protein structure solving by NMR spectroscopy.
Summing up, the proposed DL approach has the potential to reduce the time required to solve proteins with NMR from months/years to days, while delivering very high resolution, multi-state structures. We expect this project to open new avenues in structural biology and drug discovery.
Wissenschaftliches Gebiet (EuroSciVoc)
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Siehe: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Siehe: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- NaturwissenschaftenInformatik und InformationswissenschaftenDatenwissenschaften
- NaturwissenschaftenBiowissenschaftenBiochemieBiomoleküleProteine
- NaturwissenschaftenNaturwissenschaftenOptikSpektroskopieAbsorptionsspektroskopie
- NaturwissenschaftenInformatik und Informationswissenschaftenkünstliche Intelligenzmaschinelles LernenDeep Learning
- NaturwissenschaftenBiowissenschaftenMolekularbiologieStrukturbiologie
Sie müssen sich anmelden oder registrieren, um diese Funktion zu nutzen
Programm/Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
(öffnet in neuem Fenster) H2020-MSCA-IF-2019
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
MSCA-IF-EF-ST - Standard EFKoordinator
8092 Zuerich
Schweiz