Antibody and antigen interface binding prediction using experimental methods compared to solutions utilizing machine learning

Die Vorhersage von Proteinstrukturen und Proteinbindungen gewinnt im biomedizinischen Bereich immer mehr an Bedeutung. Die Bereitstellung von Bindungsbereichen für unbekannte Proteinkomplexe ist für die Prävention neuer Viren und auch für die Entwicklung neuer Medikamente wichtiger denn je. Die Entwicklung leistungsfähigerer Hardware in den letzten Jahren hat es den Forschern ermöglicht, leistungsstarke Rechensysteme zu bauen, die die Geschwindigkeit der Arzneimittelentwicklung drastisch erhöhen. In dieser Arbeit werden verschiedene experimentelle und computergestützte Berechnungsmethoden zur Lösung dieser Herausforderung beschrieben. Von klassischen Methoden, die chemische Werte verwenden, bis hin zu hochmodernen Deep-Learning-Algorithmen, die für ihre Leistung und Genauigkeit bekannt sind, werden in dieser Arbeit ¬die jeweiligen Vor- und Nachteile der einzelnen Methoden evaluiert und anschließend in einer Gesamtübersicht tabellarisch angeführt. Aus dieser lässt sich schließen, dass die experimentellen Methoden neben Ihrer höheren Genauigkeit mit hohen Kosten, Aufwänden und Zeitressourcen verbunden sind. Die computergestützten Methoden machen sich bereits vorhandene Daten zu Nutze, was zwar den Kostenfaktor senkt, allerdings Gleichzeitig nicht sicherstellen kann, dass genau jene Ergebnisse geliefert werden, die eine experimentelle Methode auch zurückgeben würde. Für die nahe Zukunft ist daher eine Kombination aus beiden Herangehensweisen empfehlenswert, obwohl die technischen Ansätze durch die stetige Entwicklung kontinuierlich mehr Vertrauen gewinnen dürfen. The prediction of protein structures and protein binding is becoming increasingly important in the biomedical field. Providing binding regions for unknown protein complexes is more important than ever for the prevention of new viruses and also for the development of new drugs. The development of more powerful hardware in recent years has enabled researchers to build powerful computational systems that dramatically increase the speed of drug development. In this paper, several experimental and computational methods were described to address this challenge. From classical methods using chemical values to state-of-the-art deep-learning algorithms known for their performance and accuracy, this work evaluates the respective advantages and disadvantages of each method and then tabulates them in an overall summary. From this it can be concluded that the experimental methods are associated with high costs, efforts and time resources in addition to their higher accuracy. The computer-aided methods make use of already existing data, which lowers the cost factor, but at the same time cannot ensure that exactly those results are delivered, which an experimental method would also return. For the near future, a combination of both approaches is therefore recommended, although the technical approaches may continuously gain more confidence due to their development.