RoseTTAFold

github.com/RosettaCommons/RoseTTAFold ist die Modellseite von RoseTTAFold, einem Deep-Learning-Modell mit Dreispur-Netzwerk, das Proteinstrukturen und Protein-Wechselwirkungen vorhersagt und über Code, Gewichte und einen Webserver zugänglich ist.

🛡️ Datenschutz: Entwickelt im Umfeld der Baker Lab der University of Washington (USA) und von RosettaCommons; der Webserver Robetta wird von der Baker Lab betrieben. Der Code steht unter MIT-Lizenz, die trainierten Gewichte sind laut Repository nur für nicht-kommerzielle Nutzung freigegeben. Zu Hosting, DPA und Zertifizierungen ist nicht öffentlich dokumentiert; bei Nutzung des Webservers sollten keine vertraulichen Sequenzdaten ohne vorherige Prüfung der Nutzungsbedingungen hochgeladen werden.

Das Tool richtet sich an Forschende der Strukturbiologie und Bioinformatik, die Proteinstrukturen und Komplexe vorhersagen wollen.

Tool-Details & Features

💰 Preise: Kostenlos und Open Source (Code); Gewichte für nicht-kommerzielle Nutzung, kommerzielle Nutzung erfordert eine gesonderte Klärung.

⚙️ Technik: Neuronales Netz mit dreispuriger Architektur, das als Skriptpaket lokal betrieben oder über den Robetta-Webserver genutzt werden kann; eine Zwei-Spur-Variante dient dem schnelleren Screening von Protein-Interaktionen.

👥 Zielgruppe: Forschungseinrichtungen, Bioinformatikerinnen und Bioinformatiker, Doktoranden in der Strukturbiologie.

🔗 Integrationen: Eigenbetrieb per GitHub-Skripten; Robetta-Webserver der Baker Lab.

📊 Funktionen: Vorhersage von Proteinstrukturen, Modellierung von Mehrketten-Komplexen, Vorhersage von Protein-Protein-Interaktionen, Download der Gewichte, Nutzung über den Robetta-Server.

Vor- & Nachteile

✅ Vorteile: Freier Zugang zu Code und Gewichten für die Forschung; wissenschaftlich in Science veröffentlicht und breit genutzt.

❌ Nachteile: Gewichte nicht für kommerzielle Nutzung freigegeben; lokale Installation erfordert Rechenressourcen und Fachwissen, nachfolgende Modelle der Forschungsgruppe sind zu beachten.

Für wen geeignet?

Perfekt für akademische Forschungsgruppen, die Proteinstrukturen kostenlos mit einem etablierten KI-Modell berechnen wollen.