Durch die Kombination von Künstlicher Intelligenz (KI) und molekularen Dynamik-Simulationen haben Wissenschaftler des Oak Ridge National Laboratory (ORNL), einer Einrichtung des US-Energieministeriums, ein neues Verfahren entwickelt, um die grundlegenden Wechselwirkungen zwischen Pflanzen und nützlichen Mikroben präziser vorherzusagen. Diese Wechselwirkungen sind entscheidend für die Bildung symbiotischer Beziehungen, die das Pflanzenwachstum fördern, Krankheiten bekämpfen und die Effizienz der Biomasseproduktion steigern. Zentrales Element der Forschung sind Lipo-Chitooligosaccharide (LCOs), chemische Signalmoleküle, die von Mikroben ausgesendet werden und von Pflanzenrezeptoren erkannt werden. Die Herausforderung liegt darin, dass LCOs groß und flexibel sind, was die Vorhersage ihrer Bindung an Proteine erschwert – besonders mit traditionellen Methoden, die statische Strukturen modellieren. Bisherige KI-Tools wie AlphaFold, die sich hauptsächlich auf kleinere, medikamentenähnliche Liganden konzentrieren, bieten nur begrenzte Aussagekraft, da sie keine dynamischen Bewegungen der Moleküle berücksichtigen. Um dies zu überwinden, entwickelten ORNL-Forscher:innen einen hybriden Ansatz namens MD/ML, der molekulare Dynamik-Simulationen mit maschinellem Lernen verbindet. Dabei wurden maschinelle Lernmodelle auf einer umfangreichen Datenbank von Protein-Ligand-Komplexen trainiert. Die Simulationen liefen auf den Supercomputern Frontier und Summit am Oak Ridge Leadership Computing Facility, den leistungsfähigsten Rechenzentren der USA, die für offene Wissenschaft und Innovation zugänglich sind. Das neue Verfahren kann bereits auf grobe, unvollständige Proteinstrukturen zurückgreifen und liefert präzise Vorhersagen zur Bindungsstärke – mit Ergebnissen, die sich experimentell bestätigen ließen. Es offenbart zudem neue Details über die strukturellen Mechanismen der Bindung, wie etwa die Rolle von Flexibilität und Beweglichkeit der Rezeptoren. „Wir können jetzt schneller und genauer vorhersagen, welche molekularen 'Match-ups' stattfinden – das spart Zeit und Ressourcen in der Laborforschung“, sagt Erica Prates, Projektleiterin im Computational and Predictive Biology Group. Omar Demerdash betont: „Die Bindungsstärke bestimmt, welche Gene aktiviert werden – das ist entscheidend für Pflanzenentwicklung und Mikrobeninteraktion.“ Dan Jacobson, leitender Autor der Studie, hebt hervor: „Proteine sind nicht starr, sondern bewegen sich ständig. Unser Ansatz berücksichtigt diese Dynamik – das ist ein entscheidender Fortschritt gegenüber statischen Modellen.“ Das Verfahren eröffnet neue Möglichkeiten nicht nur für die Pflanzenforschung, sondern auch für die Entwicklung von Biofuellen, nachhaltigen Landwirtschaftssystemen und sogar für die Repurposing von Medikamenten in der Humanmedizin. Es stärkt die US-amerikanische Position in der globalen Biotechnologie und trägt zur Lösung von Herausforderungen in Energie- und Nahrungssicherheit bei. Die Forschung wurde in der Zeitschrift Computational and Structural Biotechnology Journal veröffentlicht und markiert einen Meilenstein in der Integration von KI, Supercomputing und biophysikalischer Modellierung.