Für einen bestimmten Teil des Proteins Trypsinogen vorhergesagte Gelenkbewegungen.

Das auf Proteindesign ausgerichtete Projekt PROFOUND gehört zu den drei Vorschlägen, die eine Expertenjury Ende Oktober 2024 für eine Förderung ausgewählt hat. Proteine sind Bausteine und chemische Werkzeuge, die an biologischen Prozessen beteiligt sind. Es ist die Art und Weise, wie Proteine interagieren und funktionieren, die alle lebenden Systeme so komplex macht. Die Fähigkeit, Proteine zu entwerfen, birgt ein enormes Potenzial für die Grundlagenbiologie, viele Anwendungsbereiche und die Medizin. Der diesjährige Nobelpreis für Chemie wurde an Forscher verliehen, die auf diesem Gebiet Pionierarbeit geleistet haben. Heute ist es mit KI möglich, die dreidimensionale Struktur des Proteins nur aufgrund seiner Gensequenz vorherzusagen.

PROFOUND wird das Proteindesign revolutionieren, indem es eine große Hürde überwindet, mit der aktuelle KI-Modelle wie AlphaFold konfrontiert sind: Sie beschränken sich auf statische Proteinstrukturen. In Wirklichkeit sind Proteine wie Nanomaschinen, die ständig ihre Form ändern, um ihre biologischen Aufgaben zu erfüllen. PROFOUND zielt darauf ab, diese Bewegungen zu erfassen. Das Projektteam wird groß angelegte Molekulardynamikdaten nutzen, um ein KI-Modell zu entwickeln, das diese dynamischen Verhaltensweisen vorhersagen kann. Dieser Ansatz ermöglicht das Design von Proteinen, die nicht nur bestimmte Aufgaben erfüllen, sondern sich auch im Laufe der Zeit anpassen. Angestrebte Durchbrüche wie dynamische Enzyme und programmierbare molekulare Maschinen könnten zu Innovationen in den Bereichen Therapeutika, nachhaltige Materialien und Biotechnologien der nächsten Generation führen. Das PROFOUND-Team besteht aus Experten des Forschungszentrums Jülich, des Helmholtz-Zentrums München, des Helmholtz-Zentrums Berlin und des Center for Advanced Systems Understanding (CASUS) am Helmholtz-Zentrum Dresden-Rossendorf.

Am CASUS wird die von Artur Yakimovich geleitete Gruppe „Machine Learning for Infection and Disease“ zur Entwicklung einer geeigneten Architektur für Diffusionsmodelle beitragen. „Einer der Ansätze, den wir untersuchen wollen, orientiert sich an unserem Conditional Variational Diffusion Model, einem KI-Modell, das die Bildqualität verbessert, indem es Bilder aus Zufallsdaten rekonstruiert“, sagt Yakimovich. „Zwar haben wir in diesem Projekt gezeigt, dass der Hyperparameter für den Rauschverlauf aus den Daten gelernt werden kann, doch die Datenbasis innerhalb von PROFOUND ist eine andere, und andere Ansätze, die wir im Auge haben, könnten sich als besser geeignet erweisen. Auf jeden Fall sind wir stolz darauf, einen Beitrag zu diesem zeitgemäßen, ehrgeizigen und vielversprechenden Projekt leisten zu können.“