Mobile-Menu
English China

Deep Learning Durchbruch in der Proteinsimulation durch maschinelles Lernen

Quelle: Pressemitteilung FU Berlin 1 min Lesedauer

Anbieter zum Thema

Van der Heijden Labortechnik GmbH
JULABO GmbH
TOSOH Bioscience GmbH

Ein internationales Forschungsteam hat einen Durchbruch in der Computersimulation von Proteinen erzielt. Die Studie stellt ein Modell zur präzisen und effizienten Proteinsimulationen vor, das deutlich schneller arbeitet als herkömmliche Molekulardynamik-Simulationen. Es ermöglicht die Untersuchung größerer Proteine und komplexer Systeme – mit potenziellen Anwendungen in der Entwicklung von Medikamenten und Antikörpertherapien gegen Krebs und andere Erkrankungen.

Die Entwicklung eines universellen grobkörnigen Proteinmodells ist seit langem eine Herausforderung. Nun ist es einem Forschungsteam unter Leitung von Prof. Dr. Cecilia Clementi (Freie Universität Berlin) gelungen.(Bild: Thomas Splettstoesser)
Die Entwicklung eines universellen grobkörnigen Proteinmodells ist seit langem eine Herausforderung. Nun ist es einem Forschungsteam unter Leitung von Prof. Dr. Cecilia Clementi (Freie Universität Berlin) gelungen.
(Bild: Thomas Splettstoesser)

Die Entwicklung eines Modells, das Protein-Faltung und -Dynamik realistisch abbilden kann, war über 50 Jahre lang eine ungelöste Herausforderung. „Diese Arbeit zeigt erstmals, dass Deep Learning diese Hürde überwinden kann und ein Simulationssystem ermöglicht, das all-atomare Proteinsimulationen annähert – ohne explizite Modellierung von Lösungsmittel oder atomaren Details“, sagt Prof. Dr. Cecilia Clementi vom Fachbereich Physik der Freien Universität Berlin.

Graph-Neuronales Netz sagt Zustand von Proteinen präzise voraus

In dem neu entwickelten Proteinsimulationsmodell CGSchNet hat das Forschungsteam unter Leitung von Clementi ein so genanntes Graph-Neuronales Netz darauf trainiert, effektive Wechselwirkungen zwischen den Teilchen der grobgranularen Proteinsimulation zu erlernen – basierend auf einer Vielzahl von rechenaufwändigen Simulationen, die mit atomarer Auflösung durchgeführt wurden. Im Gegensatz zu Strukturvorhersage-Tools modelliert CGSchNet den dynamischen Faltungsprozess selbst, einschließlich intermediärer Zustände, die bei Fehlfaltungen wie Amyloiden, also pathologischen Proteinaggregaten wie z.B. bei der Alzheimer-Erkrankung, eine Rolle spielen. Es simuliert zudem Übergänge zwischen gefalteten Zuständen – entscheidend für die Funktion von Proteinen – und die Ergebnisse des Modells lassen sich 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 und bisher kaum verstanden sind. Das Modell sagt außerdem die relative Stabilität des gefalteten Zustands von Proteinmutanten akkurat voraus, was mit bisherigen Simulationsmethoden aufgrund des Rechenaufwands nicht erreichbar war.

Originalpublikation: Charron, N.E., Bonneau, K., Pasos-Trejo, A.S. et al. Navigating protein landscapes with a machine-learned transferable coarse-grained model. Nat. Chem. (2025). https://doi.org/10.1038/s41557-025-01874-0

(ID:50488580)

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung

Weiterführende Inhalte