Jenseits der Netzhaut: Maschi­nelle Lernmo­delle zur photo­che­mi­schen Steue­rung von Rhodopsinen

Das Projekt entwi­ckelt ein Machine‑Learning‑Framework zur genauen Vorher­sage angereg­ter Zustände von Rhodop­si­nen. Dafür wird ein Daten­satz aus quanten­che­mi­schen Berech­nun­gen an Retinal‑Derivaten in prote­in­ähn­li­chen Umgebun­gen erstellt und zum Modell­trai­ning verwen­det. Durch wieder­holte Synthese und spektro­sko­pi­sche Analyse gezielt entwor­fe­ner Rhodopsin‑Varianten werden die Modelle itera­tiv geprüft und verbes­sert. Die trainier­ten Modelle zeigen, wie die Prote­in­ma­trix die Reakti­vi­tät des Chromo­phors und sein Spektrum beein­flusst, und erlau­ben schnelle, präzise Abschät­zun­gen von Spektren und photo­che­mi­schen Reakti­ons­we­gen. Ziel ist eine daten­ge­trie­bene Platt­form für das ratio­nale Design licht­emp­find­li­cher Prote­ine und die beschleu­nigte Entwick­lung neuer Photo­re­zep­to­ren. Betei­ligt an diesem Projekt sind Hector RCD Awardee Prof. Dr. Carolin Müller, Hector Fellow Prof. Dr. Klaus Robert Müller und Hector Fellow Prof. Dr. Peter Hegemann.

Rhodop­si­nen sind licht­emp­find­li­che Prote­ine, die ein kovalent gebun­de­nes Retinal‑Chromophor als fotoak­tive Einheit besit­zen. Obwohl alle Rhodop­sine diesen gemein­sa­men Kern teilen, zeigen sie ein breites Spektrum photo­che­mi­scher Reaktio­nen – von einfa­chen E/Z‑Isomerisationen bis zu mehrstu­fi­gen Pfaden – und damit unter­schied­li­che Funktio­nen. Diese Vielfalt entsteht aus dem feinen Zusam­men­spiel zwischen der intrin­si­schen Reakti­vi­tät des Chromo­phors und der modulie­ren­den Wirkung der umgeben­den Prote­in­ma­trix auf den Dunkel‑, den angereg­ten und den photoproduct‑Zustand.

Ein tiefes Verständ­nis dieser Wechsel­wir­kun­gen ist Voraus­set­zung, um die moleku­la­ren Prinzi­pien biolo­gi­scher Licht­wahr­neh­mung zu entschlüs­seln und die photo­che­mi­sche Reakti­vi­tät gezielt zu steuern. Experi­men­telle Metho­den wie zeitauf­ge­löste UV/Vis‑ und Raman‑Spektroskopie liefern wertvolle Daten, doch die ultrafast‑dynamischen Prozesse erschwe­ren deren Inter­pre­ta­tion und führen häufig zu speku­la­ti­ven Struktur‑Eigenschafts‑Beziehungen. Quanten­theo­re­ti­sche Simula­tio­nen des angereg­ten Zustands bieten mecha­nis­ti­sche Einbli­cke, sind jedoch für die großen Chromophor‑Protein‑Komplexe von Rhodop­si­nen praktisch unzugänglich.

Das Vorha­ben adres­siert diese Limita­tion, indem ein maschinelles‑Lern‑Framework (ML) entwi­ckelt wird, das angeregte Zustände in kovalent gebun­de­nen Syste­men beschreibt und Rhodop­si­nen als Modell nutzt. Das Projekt vereint die Kompe­ten­zen von Prof. Dr. Klaus Robert Müller (Maschi­nel­les Lernen für Chemie und Physik), Prof. Dr. Carolin Müller (hochwer­tige QM/MM‑Daten und Erwei­te­rung von ML‑Modellen für angeregte Zustände) und Prof. Dr. Peter Hegemann (synthe­ti­sche, expri­mierte und spektro­sko­pisch unter­suchte Rhodopsin‑Derivate). Durch die Kombi­na­tion von massen­se­lek­ti­ver Ion‑Soft‑Landing und ESR‑STM entsteht ein noch nicht vorhan­de­ner metho­di­scher Durch­bruch, der eine modulare Platt­form für den kontrol­lier­ten Aufbau belie­bi­ger moleku­la­rer Bausteine und deren Spin‑Kopplung bereit­stellt und sich nahtlos auf größere Biomo­le­küle (z. B. Metall‑Proteine) übertra­gen lässt. Langfris­tig wird ein offenes Werkzeug‑Set für die Gemein­schaft geschaf­fen, das elemen­tare Oberflä­chen­phy­sik mit Quanten‑Information und Senso­rik verknüpft und die Basis für die nächste Genera­tion moleku­la­rer Quanten­si­mu­la­to­ren und optoge­ne­ti­scher Werkzeuge legt.

Abbil­dung 2: Illus­tra­tion des überge­ord­ne­ten Projekt­ziels: Entwick­lung von Machine‑Learning‑Modellen für angeregte Zustände, um über Retinal‑Modellsysteme (links) hinaus­zu­ge­hen und fotoin­du­zierte Phäno­mene des Retinals in seiner nativen Protein‑Umgebung (farbige Kästchen) vorher­zu­sa­gen. Dies wird durch die Kombi­na­tion von compu­ter­ge­stütz­ter Chemie, Machine Learning und Spektro­sko­pie zur Etablie­rung eines grund­le­gen­den ML‑Frameworks angegangen.