ESMFold

ESMFold ist ein hochmodernes Deep-Learning-Modell für die Vorhersage von Proteinstrukturen, das auf der Technologie der großen Sprachmodelle basiert. Im Gegensatz zu AlphaFold, das auf evolutionären Informationen aus multiplen Sequenzalignments (MSAs) angewiesen ist, kann ESMFold die Struktur eines Proteins allein aus einer einzelnen Aminosäuresequenz vorhersagen. Dies führt zu einer massiven Beschleunigung der Vorhersagegeschwindigkeit um den Faktor 60.

Das zugrunde liegende Modell, ESM-2, wurde auf Millionen von Proteinsequenzen trainiert, um die Sprache der Biologie zu erlernen. Durch die Nutzung dieses internen Wissens über die physikochemischen Eigenschaften von Aminosäuren kann das System komplexe räumliche Faltungen in Sekunden berechnen. Der ESM Metagenomic Atlas stellt diese Vorhersagen für über 600 Millionen Proteine aus metagenomischen Daten für die Forschung bereit.

Die Anwendung richtet sich primär an die Bioinformatik und strukturbiologische Forschung, um uncharakterisierte Proteine in genomischen Datenbanken schneller zu identifizieren. Durch die Integration in eine Web-Plattform ermöglicht es Wissenschaftlern, schnell Hypothesen über die Funktion von Proteinen zu entwickeln, ohne auf rechenintensive MSA-Berechnungen warten zu müssen. Es stellt somit ein Schlüsselwerkzeug für die Entschlüsselung der 'dunklen Materie' der Proteine dar.

• Single-Sequence Prediction — ESMFold benötigt keine zeitaufwendigen Sequenzvergleiche oder MSA-Daten, um präzise 3D-Strukturen zu berechnen. Dies ermöglicht einen drastisch schnelleren Workflow bei der Analyse ganzer Proteinfamilien.
• ESM-2 Sprachmodell-Basis — Das Modell nutzt ESM-2, eines der leistungsfähigsten Protein-Sprachmodelle, das interne Zusammenhänge in Aminosäuresequenzen erkennt. Diese 'Intuition' ersetzt die klassische evolutionäre Analyse durch direkte Mustererkennung.
• Metagenomische Datenbank — Die Plattform bietet Zugriff auf den ESM Metagenomic Atlas, welcher Millionen von Vorhersagen für Proteine enthält, die bisher in traditionellen Datenbanken wie UniProt unterrepräsentiert waren.

Bioinformatiker und Strukturbiologen, die in der Grundlagenforschung oder Wirkstoffentwicklung tätig sind. Zudem für Forscher im Bereich der Metagenomik, die große Mengen an Sequenzdaten annotieren müssen.

Ein Forscher möchte die Funktion eines neu entdeckten Proteins aus einer Bodenprobe untersuchen. Anstatt Wochen in aufwendige Laborexperimente oder lange MSA-Rechenläufe zu investieren, gibt er die Sequenz in ESMFold ein. Das Tool generiert innerhalb von Sekunden ein 3D-Modell, das aktive Zentren oder Bindungstaschen sichtbar macht. Basierend auf diesen Informationen kann der Forscher gezielte Mutagenese-Experimente planen, um die biologische Funktion des Proteins zu bestätigen.

• Bioinformatiker und Strukturbiologen, die in der Grundlagenforschung oder Wirkstoffentwicklung tätig sind. Zudem für Forscher im Bereich der Metagenomik, die große Mengen an Sequenzdaten annotieren müssen.
• Ein Forscher möchte die Funktion eines neu entdeckten Proteins aus einer Bodenprobe untersuchen.
• Single-Sequence Prediction: ESMFold benötigt keine zeitaufwendigen Sequenzvergleiche oder MSA-Daten, um präzise 3D-Strukturen zu berechnen. Dies ermöglicht einen drastisch schnelleren Workflow bei der Analyse ganzer Proteinfamilien.
• ESM-2 Sprachmodell-Basis: Das Modell nutzt ESM-2, eines der leistungsfähigsten Protein-Sprachmodelle, das interne Zusammenhänge in Aminosäuresequenzen erkennt. Diese 'Intuition' ersetzt die klassische evolutionäre Analyse durch direkte Mustererkennung.
• Metagenomische Datenbank: Die Plattform bietet Zugriff auf den ESM Metagenomic Atlas, welcher Millionen von Vorhersagen für Proteine enthält, die bisher in traditionellen Datenbanken wie UniProt unterrepräsentiert waren.

Nicht geeignet für Anwendungen, die eine 100%ige experimentelle Validierung erfordern, da es sich um eine computergestützte Vorhersage handelt. Zudem sollten hochkritische, patentrechtlich sensible Sequenzen nicht ungeschützt in öffentliche Web-Tools hochgeladen werden.

• AlphaFold — Open Source · Sitz: London, Vereinigtes Königreich · DSGVO / EU
• Cradle — Paid · Sitz: Amsterdam, Niederlande · DSGVO / EU
• Owkin — Paid · Sitz: Paris, Frankreich · Unklar
• RoseTTAFold — Open Source · Sitz: Seattle, Vereinigte Staaten · US-Cloud
• Schrödinger Maestro — Paid · Sitz: New York, Vereinigte Staaten · Unklar