Durchbruch in der Proteinsimulation durch KI-gestützte Modelle

BERLIN / LONDON (IT BOLTWISE) – Ein internationales Forschungsteam unter der Leitung von Prof. Dr. Cecilia Clementi von der Freien Universität Berlin hat einen bedeutenden Fortschritt in der Proteinsimulation erzielt. Die neue Methode nutzt maschinelles Lernen, um die Dynamik und Faltung von Proteinen effizienter zu simulieren.

Die Entwicklung eines universellen grobkörnigen Proteinmodells war lange Zeit eine Herausforderung in der Wissenschaft. Nun hat ein Team unter der Leitung von Prof. Dr. Cecilia Clementi von der Freien Universität Berlin einen bedeutenden Fortschritt erzielt. Das in Nature Chemistry veröffentlichte Modell ermöglicht präzisere und schnellere Proteinsimulationen als herkömmliche Methoden. Diese Entwicklung könnte weitreichende Anwendungen in der Medikamentenentwicklung und Antikörpertherapie haben, insbesondere bei der Behandlung von Krebs und anderen schweren Erkrankungen.

Das neu entwickelte Simulationsmodell, bekannt als CGSchNet, nutzt ein Graph-Neuronales Netz, um effektive Wechselwirkungen zwischen den Teilchen der grobgranularen Proteinsimulation zu erlernen. Dies basiert auf einer Vielzahl von rechenintensiven Simulationen mit atomarer Auflösung. Im Gegensatz zu bestehenden Strukturvorhersage-Tools modelliert CGSchNet den dynamischen Faltungsprozess selbst, einschließlich der intermediären Zustände, die bei Fehlfaltungen wie Amyloiden eine Rolle spielen. Diese pathologischen Proteinaggregate sind beispielsweise bei der Alzheimer-Erkrankung von Bedeutung.

Ein entscheidender Vorteil des Modells ist seine Fähigkeit, Übergänge zwischen gefalteten Zuständen zu simulieren, die für die Funktion von Proteinen entscheidend sind. Die Ergebnisse des Modells lassen sich zudem auf Proteine außerhalb des Trainingsdatensatzes übertragen. Das Modell sagt langlebige Zustände gefalteter, ungefalteter und ungeordneter Proteine präzise voraus, die einen großen Anteil der biologisch aktiven Proteine ausmachen, die jedoch aufgrund ihrer Flexibilität experimentell schwer zu charakterisieren sind.

Prof. Dr. Cecilia Clementi, Expertin im Bereich der Computersimulation von Biomolekülen, hat mit ihrem Team gezeigt, dass Deep Learning die Hürden der Proteinsimulation überwinden kann. Die US-Italienische Doppelbürgerin, die zuvor an der Rice University in Houston, Texas, forschte und lehrte, stärkt nun die Forschung in der theoretischen und computergestützten Biophysik an der Freien Universität Berlin.

Die Förderung durch eine Einstein-Professur hat es ermöglicht, Spitzenforscher wie Clementi für Berlin zu gewinnen. Diese Professuren unterstützen die Berliner Universitäten und die Charité – Universitätsmedizin Berlin in Berufungs- oder Bleibeverhandlungen. Die aktuelle Studie, die in Nature Chemistry veröffentlicht wurde, zeigt, wie maschinelles Lernen die Proteinsimulation revolutionieren kann, indem es die Effizienz und Präzision der Modelle erheblich verbessert.

Die Ergebnisse dieser Forschung könnten nicht nur die Grundlagenforschung vorantreiben, sondern auch praktische Anwendungen in der Medizin ermöglichen. Die Fähigkeit, Proteinmutanten und deren Stabilität präzise vorherzusagen, könnte neue Wege in der personalisierten Medizin eröffnen. Die Kombination aus theoretischer Physik und angewandter Mathematik, die Clementi in ihrer Arbeit verfolgt, zeigt das Potenzial interdisziplinärer Ansätze in der modernen Wissenschaft.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!