Neues AI-Verfahren beschleunigt Protein-Simulationen und erklärt komplexe Faltungsprozesse

Eine internationale Forschungsmannschaft unter der Leitung von Einstein-Professorin Cecilia Clementi aus dem Physikdepartment der Freien Universität Berlin hat CGSchNet vorgestellt. Dies ist ein maschinelles, vergröberndes Modell (coarse-grained, CG), das Proteine wie nie zuvor genaue und effiziente Simulationen ermöglicht. Die Studie wurde am 18. Juli 2025 in „Nature Chemistry“ veröffentlicht. Im Vergleich zu traditionellen molekulardynamischen Simulationen auf Atombasis arbeitet CGSchNet erheblich schneller und ermöglicht die Untersuchung größerer Proteine und komplexer Systeme. Dies bietet potenzielle Anwendungen in der Arzneimittelforschung und Protein-Ingenieurwissenschaft, die beispielsweise die Entwicklung neuer Krebsbehandlungsverfahren vorantreiben könnten. Die Entwicklung eines allgemeinen CG-Modells, das Protein-Faltung und -Dynamik erfassen kann, war in den letzten 50 Jahren eine beständige Herausforderung für Wissenschaftler. „Diese Arbeit zeigt erstmals, dass tiefes Lernen diesen Hürdenbescheid tun kann und zu einem Simulationsystem führen kann, das die all-atomaren Proteinsimulationen annähert, ohne Solvent oder atomares Detail explizit zu modellieren," erklärt Prof. Clementi. In CGSchNet haben Prof. Clementi und ihr Team ein neuronales Netzwerk trainiert, um die effektiven Wechselwirkungen zwischen den Partikeln der vergröberten Proteinsimulation zu lernen. Das Ziel war es, die Dynamik einer Vielzahl von tausenden all-atomaren Simulationen nachzubilden. Im Gegensatz zu Strukturvorhersage-Tools modelliert CGSchNet den dynamischen Prozess, einschließlich Zwischenzustände, die für Fehlfaltungsprozesse relevant sind, wie zum Beispiel die Bildung von Amyloiden, pathologischen Proteinsammelungen, die bei Alzheimer auftreten können. Das Modell simuliert auch Übergänge zwischen gefalteten Zuständen, die für die Proteinfunktion entscheidend sind, und generalisiert auf Proteine außerhalb seines Trainingsdatensatzes, was seine starke chemische Übertragbarkeit zeigt. Darüber hinaus kann es metastabile Zustände von gefalteten, entfalteten und ungeordneten Proteinen genau vorhersagen, die die Mehrheit der biologisch aktiven Proteine ausmachen. Solche Vorhersagen waren in der Vergangenheit aufgrund der Flexibilität dieser Proteine extrem schwierig. CGSchNet kann zudem die relativen Faltenergieunterschiede von Proteinmutanten schätzen, was frühere Simulationsmethoden aufgrund ihrer Rechenkapazitätsbegrenzungen nicht leisten konnten. Industrieinsider bewerten diese Entwicklung als durchbruchsvoll. Sie sehen in CGSchNet ein Werkzeug, das die Forschung in Bereichen wie der Entdeckung von neuen Medikamenten und der Verbesserung von Proteinstrukturen revolutionieren könnte. Das Team von Prof. Clementi zeichnet sich durch seine innovativen Ansätze und die erfolgreiche Umsetzung von tiefem Lernen in der Proteinforschung aus. CGSchNet hat das Potenzial, signifikante Fortschritte in der Biowissenschaft und Medizin zu erzielen, indem es komplexe Protein-Dynamiken schneller und genauer simuliert.