Innovation: Dank KI und Deep Learning ist es möglich, die Proteinaggregation zu beobachten

Mithilfe eines autonomen Bildgebungssystems, das auf Deep Learning und künstlicher Intelligenz basiert, gelang es, die Aggregation fehlgefalteter Proteine zu beobachten. Wissenschaftler der Eidgenössischen Technischen Hochschule Lausanne (EPFL) haben dies geschafft und ihre Ergebnisse in der Fachzeitschrift Nature Communications veröffentlicht. Das Team unter der Leitung von Khalid Ibrahim, Aleksandra Radenovic, Hilal Lashuel und Robert Prevedel entwickelte ein autonomes Bildgebungssystem , das verschiedene Mikroskopiemethoden nutzt, um die Proteinaggregation in Echtzeit zu verfolgen und zu analysieren oder sie vorherzusehen. Dieser Ansatz, so die Experten, maximiert die Bildgebungseffizienz und minimiert den Einsatz von Fluoreszenzmarkern, die die biophysikalischen Eigenschaften von Zellproben verändern und die Genauigkeit der Analyse beeinträchtigen können. „Zum ersten Mal“, so Ibrahim, „konnten wir die Bildung dieser Proteinaggregate genau vorhersagen. Das Verständnis, wie sich diese Eigenschaften während des Aggregationsprozesses entwickeln, wird zu einem grundlegenden Verständnis führen, das für die Entwicklung von Lösungen unerlässlich ist.“ Das Forschungsteam hat einen Deep-Learning-Algorithmus entwickelt, der reife Proteinaggregate erkennen kann.

In der neuen Arbeit entwickelten die Forscher eine neue Version des Algorithmus , der Bilder in Echtzeit analysiert. Wird ein reifes Proteinaggregat erkannt, wird ein Brillouin-Mikroskop aktiviert, das das gestreute Licht analysiert, um die biomechanischen Eigenschaften der Aggregate, wie beispielsweise die Elastizität, zu charakterisieren. Dank künstlicher Intelligenz wird das Mikroskop nur aktiviert, wenn ein Proteinaggregat erkannt wird. Das beschleunigt den Prozess und ebnet den Weg für intelligente Mikroskopie. Um die laufende Aggregatbildung zu erfassen, entwickelten die Forscher einen zweiten Algorithmus, der anhand fluoreszenzmarkierter Bilder von Proteinen in lebenden Zellen trainiert wurde. Dieses System ermöglicht es dem System, zwischen nahezu identischen Bildern zu unterscheiden und den Zeitpunkt der Aggregation mit 91-prozentiger Genauigkeit zu bestimmen. Diese Arbeit, so die Autoren, hat wichtige Auswirkungen auf die Arzneimittelforschung und die Präzisionsmedizin. „Markierungsfreie Bildgebungsverfahren“, so Lashuel, „eröffnen völlig neue Wege, kleine Proteinaggregate, sogenannte toxische Oligomere, zu untersuchen und gezielt anzugreifen, denen eine zentrale kausale Rolle bei der Neurodegeneration zugeschrieben wird.“