Ein internationales Forscherteam um den Associate Professor Takaharu Mori von der Tokyo University of Science hat eine neuartige Methode namens DeepAFM entwickelt, um Proteinbewegungen aus verrauschten Bilddaten mit einer Genauigkeit von 93,4 Prozent zu entschlüsseln. Während künstliche Intelligenz bereits 2018 mit AlphaFold einen Meilenstein bei der Vorhersage statischer Proteinstrukturen setzte, bleiben die dynamischen Prozesse lebender Systeme weiterhin eine große Herausforderung. Proteine sind keine festen Objekte; sie verändern ständig ihre Form und interagieren mit anderen Molekülen. Die Analyse dieser Bewegungen ist entscheidend für das Verständnis biologischer Funktionen. Die konventionelle Bestimmung von Proteinformen erfolgt häufig durch den Abgleich bekannter dreidimensionaler Strukturen mit zweidimensionalen Bildern der Hochgeschwindigkeits-Atomic-Force-Mikroskopie (HS-AFM). Diese Technik erfasst Proteine im Single-Molecule-Bereich, liefert jedoch oft verrauschte und verzerrte Bilder. Der Zeilenscanning-Prozess führt zu zeitlichen Verzögerungen zwischen den Aufnahmezeilen, was zusammen mit Hintergrundrauschen die exakte Erfassung der Proteinform zu einem bestimmten Zeitpunkt erschwert. Herkömmliche Modelle neigen hierbei zu Überanpassung, bei der sie zufällige Artefakte des Rauschens fälschlicherweise als echte strukturelle Merkmale interpretieren. DeepAFM adressiert dieses Problem durch einen tiefen Lernansatz. Das Team, dem neben Mori auch Forscher der Nagoya University und des Nara Institute of Science and Technology angehörten, entwickelte ein Modell, das sowohl Rauschen entfernt als auch die zugrunde liegende Proteinform identifiziert. Zur Ausbildung des Systems generierten die Forscher Millionen synthetischer HS-AFM-Bilder aus Molekulardynamik-Simulationen. Diese Datensätze umfassten ideale Bilder sowie realistischere Varianten, die experimentelle Effekte wie Hintergrundrauschen, Scan-Verzerrungen und Brownsche Bewegung enthielten. Das Modell wurde zunächst am Protein SecA trainiert, das zwischen geschlossenen und weit geöffneten Zuständen wechselt. Bei den Tests lieferte das System entrauschte Bilder, die nur Fehler von etwa 0,1 Nanometern aufwiesen. Noch wichtiger war die Fähigkeit des Modells, den Konformationszustand des Proteins präzise zu klassifizieren. In Tests mit 800.000 Bildern erkannte das Modell den exakten Zustand von 19 möglichen Konformationen mit 93,4 Prozent Genauigkeit. Auch bei der Anwendung auf experimentelle Daten stimmten die ermittelten Zustände mit unabhängigen Messungen überein, was die praktische Anwendbarkeit bestätigt. Ein weiterer Vorteil von DeepAFM ist die Möglichkeit der Anwendung auf andere Proteinsysteme durch Transfer-Learning. Dabei werden Erkenntnisse aus einem trainierten System auf ein ähnliches neues System übertragen, was die Methode zu einem vielseitigen Werkzeug für die Erforschung biologischer Moleküle macht. Die Studie wurde im Journal of Chemical Information and Modeling veröffentlicht. Dieses Forschungsvorhaben ist Teil größerer Bemühungen, die KI-gestützte Forschung voranzutreiben und sich auf zukünftige Hochleistungsrechnungsplattformen wie Fugaku NEXT vorzubereiten, die in Zusammenarbeit mit dem RIKEN Center for Computational Science, Fujitsu und NVIDIA entwickelt werden und voraussichtlich um das Jahr 2030 in Betrieb gehen sollen. DeepAFM bietet somit einen neuen Weg, um die Dynamik von Proteinen in biologischen Systemen präziser und effizienter zu analysieren.