Überblick

Tiefes Lernen erweitert klassische neuronale Netze durch das Stapeln vieler versteckter Schichten und ermöglicht das automatische Erlernen hierarchischer Repräsentationen aus rohen oder minimal verarbeiteten Daten. In der Bioinformatik hat sich dieser Ansatz für Datentypen mit inhärenter räumlicher oder sequenzieller Struktur, DNA-Sequenzen, Proteinstrukturen und biomedizinische Bilder, als transformativ erwiesen. Tiefe Modelle entdecken relevante Merkmale direkt aus den Daten und umgehen die Notwendigkeit manueller Merkmalsentwicklung, die traditionell das Feld dominierte.

Methoden

Faltungsneuronale Netze (CNN) wenden gleitende Filter an, um lokale Muster wie Transkriptionsfaktor-Bindungsmotive in Sequenzen oder strukturelle Merkmale in Proteinkontaktkarten zu erkennen. Rekurrente neuronale Netze (RNN) und ihre gegated Varianten (LSTM, GRU) modellieren sequenzielle Abhängigkeiten und werden zur Vorhersage von RNA-Sekundärstruktur und Proteinlokalisation eingesetzt. Transformer-Architekturen mit Selbstaufmerksamkeitsmechanismen, exemplarisch dargestellt durch AlphaFold und DNABERT, erfassen weitreichende Interaktionen und haben neue Maßstäbe in der Proteinstrukturvorhersage und regulatorischen Genomik gesetzt. Graphische neuronale Netze operieren auf Molekülgraphen zur Vorhersage von Wirkstoffeigenschaften. Das Training dieser Modelle erfordert große beschriftete Datensätze, GPU-Beschleunigung und Techniken wie Dropout und Batch-Normalisierung, um Überanpassung zu vermeiden.

Praktisches Protokoll

Ein typischer Workflow für tiefes Lernen in der sequenzbasierten Bioinformatik beginnt mit der Datenvorverarbeitung. Für eine Aufgabe zur Vorhersage von Spleißstellen sammelt der Forscher einen ausgewogenen Satz von echten und falschen Spleißstellensequenzen (typischerweise 200–500 Nukleotide, zentriert auf der Exon-Intron-Grenze) aus öffentlichen Datenbanken wie ENSEMBL oder GENCODE. Jede Sequenz wird One-Hot-kodiert in eine binäre Matrix der Form (4, Sequenzlänge). Die Daten werden in Trainings-, Validierungs- und Testsets aufgeteilt (z. B. 70/15/15). Ein CNN-Modell wird in einem Framework wie PyTorch oder TensorFlow erstellt: eine Eingabeschicht, die den Dimensionen der kodierten Sequenz entspricht, zwei oder drei 1D-Faltungsschichten mit 64–128 Filtern der Kernelgröße 8–12 und ReLU-Aktivierung, gefolgt von Max-Pooling und Dropout (Rate 0,3–0,5). Die Merkmalskarten werden abgeflacht und durch eine dichte Schicht mit 64 Einheiten geleitet, bevor eine finale Softmax-Ausgabeschicht folgt. Das Modell wird mit dem Adam-Optimierer (Lernrate 0,001) kompiliert und bis zu 100 Epochen mit frühem Stopp trainiert, unter Verwendung von Batch-Größen von 32–64. Nach dem Training erreicht das Modell über 95 % Genauigkeit auf ungesehenen Testdaten und kann genomweit angewendet werden, um neue Spleißstellen vorherzusagen. Dieser Ansatz wurde erfolgreich eingesetzt, um kryptische Spleißstellen in Krebsgenomen zu identifizieren und Mutationen aufzudecken, die Spleißsignale erzeugen oder stören und zur Tumorigenese beitragen. Dieselbe Architektur verallgemeinert sich auf die Vorhersage von Transkriptionsfaktor-Bindungsstellen unter Verwendung von ENCODE-ChIP-seq-Daten und die Identifizierung von microRNA-Zielstellen. In einer wegweisenden Studie verwendeten Forscher ein CNN zur Vorhersage von RNA-bindenden Proteinspezifitäten aus CLIP-seq-Daten, erzielten AUROC-Werte von über 0,93 und enthüllten bisher unbekannte Bindungsmotive, die mit neurologischen Störungen assoziiert sind.

Anwendungen

Tiefes Lernen treibt die präzisen Proteinstrukturvorhersagen von AlphaFold an, interpretiert DNA-Sequenzierung-Reads zur Variantendetektion und entfaltet komplexe Expressionsmuster aus DNA-Microarray- und Genexpressionsanalysen. Es ermöglicht auch Einzelzellanalyse, Wirkstoffforschung und medizinische Bilddiagnostik und hat sich als Eckpfeiler der modernen Computerbiologie etabliert.