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 Lösungsmitteln oder atomaren Details“, sagt Prof. Dr. Cecilia Clementi vom Fachbereich Physik der Freien Universität Berlin.

In dem neu entwickelten Proteinsimulationsmodell CGSchNet hat das Forschungsteam ein sogenanntes 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.

Publikation in Nature Chemistry lesen

Pressemitteilung der Freien Universität Berlin vom 18.07.2025