Am 18. Juli 2025 veröffentlichte ein internationales Forschungsteam unter Leitung von Prof. Dr. Cecilia Clementi von der Freien Universität Berlin einen bahnbrechenden Artikel in der Zeitschrift Nature Chemistry, der in der Wissenschaftswelt für Aufsehen sorgt. Der Artikel stellt ein neues Modell vor, das eine präzise und effiziente Simulation von Proteinen ermöglicht – und das erheblich schneller als herkömmliche Molekulardynamik-Simulationen.
Die Herausforderung, Protein-Faltung und -Dynamik realistisch abzubilden, besteht seit über 50 Jahren. Die Forscher haben mithilfe von Deep Learning ein System entwickelt, das all-atomare Proteinsimulationen annähert. Das neu entwickelte Modell, CGSchNet, verwendet ein Graph-Neuronales Netz, um effektive Wechselwirkungen zwischen Teilchen zu erlernen. Diese innovativen Ansätze eröffnen vielversprechende Anwendungsmöglichkeiten in der Entwicklung von Medikamenten und Antikörpertherapien für Krebs und andere Krankheiten.
Fortschritte in der Proteinsimulation
Das Modell hat den dynamischen Faltungsprozess von Proteinen im Blick, einschließlich der intermediären Zustände, die bei Fehlfaltungen wie Amyloiden eine Rolle spielen. Es simuliert Übergänge zwischen gefalteten Zuständen, die entscheidend für die Funktion von Proteinen sind. Ein bedeutender Fortschritt dieses Modells ist die Fähigkeit, langlebige Zustände gefalteter, ungefalteter und ungeordneter Proteine präzise vorherzusagen.
Eine der bemerkenswertesten Eigenschaften des CGSchNet-Modells ist die Fähigkeit, die relative Stabilität gefalteter Proteinmutanten vorherzusagen, was bisherige Methoden nicht erreichen konnten. Prof. Dr. Cecilia Clementi, die zuvor Professorin für Chemie und Physik an der Rice University in Houston, Texas, war, stärkt damit die Forschung in theoretischer und computergestützter Biophysik an der Freien Universität Berlin. Ihre Arbeit wird durch die Einstein-Professuren unterstützt, die Berliner Universitäten und die Charité in Berufungs- oder Bleibeverhandlungen fördern.
Daten und Modelle im Detail
In der Studie wurden umfassende Datensätze verwendet. Das Benchmark-Dataset enthält 1.262 Targets und deckt ein breites Spektrum an Proteinstrukturen ab, einschließlich 717 einzelner Domänenproteine, 257 neu erschienener Targets und 288 Targets aus den CASP 8–14. Diese Datensätze wurden so aufbereitet, dass Redundanzen entfernt und die Sequenzidentität an ein cutoff von <30% angepasst wurde.
Der Human-Protome-Datensatz umfasst 20.595 Proteine und ermöglicht eine differenzierte Analyse von Single-Domain- und Multidomain-Proteinen. Von diesen wurden 19.512 Proteine vorhergesagt, was potenziell für die Strukturvorhersage von großer Bedeutung ist. Zudem wurde die D-I-TASSER-Pipeline, die einen hybriden Ansatz zur Proteonstrukturvorhersage nutzt, in die Forschung integriert.
Diese Pipeline führt alle Schritte von der Generation von Deep MSA über die Identifizierung von Threading-Templates bis hin zur strukturellen Verfeinerung und Modellbewertung durch. Die Verwendung modernster Algorithmen und Technologien wie DeepPotential und AttentionPotential verdeutlicht den innovativen Charakter der Arbeit.
Die Ergebnisse der Studie sind übertragbar auf eine Vielzahl von Proteinen außerhalb des spezifischen Trainingsdatensatzes, was die Relevanz des Modells für die biochemische Forschung unterstreicht. Die Anwendung der im Rahmen der Studie entwickelten Methoden könnte weitreichende Implikationen für die Zukunft der Proteinforschung und der Medikamentenentwicklung haben. Weitere Informationen sind in der ausführlichen Publikation auf Nature zu finden.
