RNA (Ribonukleinsäure) könnte man als die Diva unter den Biomolekülen bezeichnen: Sie übernimmt zahlreiche zentrale Aufgaben in Zellen und rückt auch für die Entwicklung neuer Medikamente immer stärker in den Fokus. Gleichzeitig ist sie fragil und experimentell schwer zu untersuchen. So entsteht ein eigentümliches Datenparadox: RNA-Sequenzen gibt es in riesigen Mengen, doch darüber, welche Strukturen sie bilden und welche Funktionen sie erfüllen, wissen wir vergleichsweise wenig. Insbesondere viele RNAs, die nicht als Bauplan für Proteine dienen, sind noch kaum verstanden und sie bilden gewissermaßen eine „dunkle Materie“ der Molekularbiologie.
Der Knackpunkt: KI-Methoden, die bei Proteinen sehr erfolgreich sind, lassen sich nicht einfach auf RNA übertragen. Proteinmodelle können auf umfangreiche Strukturdaten und viele ähnliche, evolutionär verwandte Sequenzen zurückgreifen. Bei RNA sind solche Informationen deutlich knapper.
Genau hier setzt NucleicBERT an: Das Modell lernt ähnlich wie ein Sprachmodell Muster und Zusammenhänge direkt aus rund 25 Millionen RNA-Trainingssequenzen. Forschende des KIT und des Forschungszentrums Jülich konnten zeigen, dass sich dieses erlernte Wissen für ganz unterschiedliche Aufgaben nutzen lässt, von der Vorhersage der RNA-Struktur bis hin zu ihrer biologischen Funktion. Das eröffnet neue Möglichkeiten für Grundlagenforschung, Biotechnologie und Pharmazie. Die Ergebnisse sind in Nature Machine Intelligence erschienen.
Besonders spannend ist, dass NucleicBERT dafür nur eine einzige RNA-Sequenz als Eingabe benötigt. Es ist nicht auf Hunderte oder Tausende verwandter Sequenzen angewiesen, um nützliche Vorhersagen zu treffen. Ein Blick ins Innere des Modells zeigt zudem, dass es Zusammenhänge zwischen RNA-Bausteinen erkannt hat, die etwas über die Struktur der RNA verraten, obwohl ihm solche Strukturinformationen beim Training gar nicht vorgegeben wurden.
Kontakt am SCC: Dr. Alexander Schug
Zum Open Access Artikel NucleicBERT interprets RNA sequence space through self-supervised language modelling