Das Biologieteam von Anthropic hat gerade mithilfe von Claude die erste 3D-Struktur bakterieller Vault-Partikel kartiert – und könnte damit ein 38 Jahre altes Rätsel lösen.
Vault-Partikel sind massive, tonnenförmige Proteinkomplexe (sie gehören zu den größten Strukturen in Zellen), die 1986 entdeckt wurden. Ihre Funktion ist jedoch weiterhin unbekannt. Bislang wurden Vaults nur in eukaryotischen Zellen (von Tieren und Pflanzen) gefunden. Diese Arbeit belegt, dass sich auch bakterielle Proteine und Bakteriophagenproteine selbstständig zu Vault-ähnlichen Strukturen zusammenlagern können.
Warum das technisch wichtig ist: Der Nachweis von Vaults in einfacheren prokaryotischen Systemen bietet Forschenden ein Minimalmodell, mit dem sie deren Funktion durch Reverse Engineering entschlüsseln können – viel einfacher, als mit komplexen eukaryotischen Strukturen zu arbeiten.
Claudes Rolle: Die Bestimmung der Struktur wurde von monatelanger manueller Arbeit auf wenige Tage beschleunigt. Allerdings machte die KI während des Prozesses weiterhin grundlegende Fehler. Um diese zu beheben und die Ergebnisse schrittweise zu verbessern, war die Zusammenarbeit mit ML-Forschenden erforderlich.
Dies ist ein Beispiel aus der Praxis dafür, wie LLMs die Wissenschaft beschleunigen können: nicht als autonome Problemlöser, sondern als leistungsstarke Werkzeuge, die mühsame Arbeitsabläufe in der Strukturbiologie verkürzen, wenn sie unter fachkundiger Aufsicht eingesetzt werden.
Vault-Partikel sind massive, tonnenförmige Proteinkomplexe (sie gehören zu den größten Strukturen in Zellen), die 1986 entdeckt wurden. Ihre Funktion ist jedoch weiterhin unbekannt. Bislang wurden Vaults nur in eukaryotischen Zellen (von Tieren und Pflanzen) gefunden. Diese Arbeit belegt, dass sich auch bakterielle Proteine und Bakteriophagenproteine selbstständig zu Vault-ähnlichen Strukturen zusammenlagern können.
Warum das technisch wichtig ist: Der Nachweis von Vaults in einfacheren prokaryotischen Systemen bietet Forschenden ein Minimalmodell, mit dem sie deren Funktion durch Reverse Engineering entschlüsseln können – viel einfacher, als mit komplexen eukaryotischen Strukturen zu arbeiten.
Claudes Rolle: Die Bestimmung der Struktur wurde von monatelanger manueller Arbeit auf wenige Tage beschleunigt. Allerdings machte die KI während des Prozesses weiterhin grundlegende Fehler. Um diese zu beheben und die Ergebnisse schrittweise zu verbessern, war die Zusammenarbeit mit ML-Forschenden erforderlich.
Dies ist ein Beispiel aus der Praxis dafür, wie LLMs die Wissenschaft beschleunigen können: nicht als autonome Problemlöser, sondern als leistungsstarke Werkzeuge, die mühsame Arbeitsabläufe in der Strukturbiologie verkürzen, wenn sie unter fachkundiger Aufsicht eingesetzt werden.