Schlagwort: Künstliche Intelligenz

FIAS-Forschende entschlüsseln Molekülfaltung in Rekordzeit

25. August 2026

Einem Forschungsteam am Frankfurt Institute for Advanced Studies (FIAS) auf dem Campus Riedberg ist ein bedeutender methodischer Durchbruch in der Biophysik gelungen. Die Wissenschaftler um FIAS-Senior-Fellow Roberto Covino und Doktorand Lars Dingeldein entwickelten in Kooperation mit der Goethe-Universität Frankfurt, der University of Alberta und dem Flatiron Institute in New York ein Verfahren, das die räumliche Faltung von Molekülen innerhalb weniger Sekunden präzise rekonstruieren kann. Ihre Arbeit wurde in der renommierten Fachzeitschrift Physical Review Letters veröffentlicht und dort als sogenannte „Editors’ Suggestion“ besonders gewürdigt.

Das Problem bisheriger Messverfahren

Proteine und Nukleinsäuren sind die fundamentalen Bausteine des Lebens. Um ihre biologischen Funktionen zu erfüllen, müssen sie sich in exakt definierte dreidimensionale Strukturen falten. Kommt es dabei zu Fehlern, können schwere Erkrankungen wie die Creutzfeldt-Jakob-Krankheit oder Amyotrophe Lateralsklerose (ALS) entstehen.

Um solche Faltungsprozesse in Echtzeit zu beobachten, nutzt die Forschung hochsensitive optische Pinzetten⁽¹⁾. Bei dieser Form der Einzelmolekül-Kraftspektroskopie⁽²⁾ wird ein einzelnen Molekül unter leichte Spannung gesetzt. Die Herausforderung: Das Messgerät zeichnet nie die Bewegung des Moleküls allein auf. Das gemessene Signal ist stets ein Gemisch aus der Eigenbewegung des Moleküls, den elastischen Eigenschaften der molekularen Verbindungsglieder (Linker) und der Eigendynamik des Messgeräts. Um diese Einflussfaktoren voneinander zu trennen, waren bisher zeitintensive Messreihen – oft die 20- bis 100-fache Datenmenge – sowie aufwendige Kalibrierungen nötig.

KI vereinfacht die Signaltrennung

Das Team um Covino wählte einen völlig neuen Ansatz: Statt das Messgerät mühsam separat zu kalibrieren, simulierten die Forschenden das gesamte Experiment – inklusive Molekül, Linker und Messvorrichtung – im Computer. Anschließend trainierten sie ein neuronales Netz⁽³⁾ mittels simulationsbasierter Inferenz (Simulation-Based Inference) darauf, aus den gemessenen Signalen direkt auf die zugrundeliegenden Faltungsmodelle zu schließen.

„Wir charakterisieren das Messgerät nicht mehr separat“, erläutert Roberto Covino das Prinzip. „Wir simulieren das Molekül zusammen mit dem Messgerät, und das neuronale Netz findet dann selbst heraus, welcher Anteil der gemessenen Bewegung vom Molekül stammt.“

Die Ergebnisse demonstrieren die Effizienz des Verfahrens:

Zwei Sekunden Messdaten einer einzelnen DNA-Haarnadelstruktur genügen, um deren Energielandschaft⁽⁴⁾ der Faltung ebenso exakt zu rekonstruieren wie mit bisherigen Langzeitmessungen.
Fünf Sekunden Daten reichen aus, um vier verschiedene Faltungszustände eines sogenannten RNA-Riboswitch-Aptamers aufzulösen.

Relevanz für die Wirkstoffentwicklung

Die dramatische Verkürzung der Messzeit ermöglicht es erstmals, Faltungsprozesse systematisch und in hoher Durchsatzzahl zu vergleichen. Das ist insbesondere für die pharmazeutische Forschung von Bedeutung.

Das neue Verfahren wird bereits bei der Untersuchung bakterieller Riboswitches eingesetzt, die als potenzielle Zielstrukturen für neuartige Antibiotika gelten. Auch bei der Analyse fehlgefalteter Proteine im Zusammenhang mit neurodegenerativen Erkrankungen verspricht die Methode Fortschritte. Da sich nun aus minimalen Datenmengen präzise Modelle gewinnen lassen, rückt die breite Nutzung von Faltungslandschaften in der computergestützten Wirkstoffentwicklung in greifbare Nähe.

Wissenschaftliche Fachbegriffe erklärt

(1) Optische Pinzette: Ein physikalisches Instrument, das stark fokussierte Laserstrahlen nutzt, um mikroskopisch kleine Objekte oder einzelne Moleküle ohne direkten mechanischen Kontakt zu halten und zu bewegen.

(2) Einzelmolekül-Kraftspektroskopie: Eine experimentelle Methode, mit der die mechanischen Eigenschaften und Verformungen einzelner Moleküle gemessen werden, indem kontrollierte Kräfte im Pikonewton-Bereich auf sie ausgeübt werden.

(3) Neuronales Netz: Ein Algorithmus aus dem Bereich der Künstlichen Intelligenz, der nach dem Vorbild des menschlichen Gehirns aufgebaut ist und in der Lage ist, komplexe Muster in Daten zu erkennen und Zuordnungen zu erlernen.

(4) Energielandschaft (Faltungslandschaft): Eine mathematische und physikalische Darstellung aller möglichen räumlichen Anordnungen eines Moleküls und der dazugehörigen Energiezustände. Sie zeigt auf, welche Zustände stabil sind und welche Wege das Molekül bei der Faltung bevorzugt.

Künstliche Intelligenz verhindert wetterabhängige Schwankungen im Stromsystem

13. Februar 2024

von Andreas Woitun

FIAS-Forschende entwickeln Technologie, um den Einsatz erneuerbarer Energien im Netz zu stabilisieren.

Die zunehmenden Anteile von Sonnen- und Windenergie erschweren eine stabile Stromversorgung. Diese wetterabhängigen Schwankungen gleicht ein hochmodernes KI-System aus, das Forschende des FIAS entwickelten. Es gewährleistet eine effiziente und zuverlässige Verteilung von Strom aus Quellen wie Sonne und Wind, um den Energiebedarf auch bei veränderlichen Wetterbedingungen zu decken und gleichzeitig die Kosten zu minimieren.

In einer bahnbrechenden Studie präsentiert Doktorand Chen Li unter Leitung von FIAS-Fellow Kai Zhou eine neue KI-Technologie, die den Einsatz erneuerbarer Energien in das Stromnetz revolutionieren könnte, denn die Integration erneuerbarer Energiequellen wie Wind- und Sonnenenergie ist nicht ganz einfach. Wetterveränderungen wirken sich schnell auf die Stromerzeugung aus und machen häufige Anpassungen des Stromnetzes erforderlich.

Beispielsweise verursacht schon eine einzige Wolke über einer Photovoltaik-Anlage starke Stromschwankungen innerhalb kürzester Zeit. Herkömmliche Anwendungen sind von dieser Variabilität überfordert, insbesondere große Energiesysteme.

Das FIAS-Forschungsteam entwickelte eine hochmoderne, physikalisch fundierte Methode des maschinellen Lernens, die sich schnell an veränderte Bedingungen anpassen kann und damit ideal für Echtzeitanwendungen ist. Auf der Grundlage von Stromnachfrage und Wettermuster bietet das System eine Lösung zum umgehenden Ausgleich der Schwankungen.

Grundlage sind neuartige neurale Netzwerke, die auf grafischen Daten zu Wetter und Energiebedarf beruhen, die »Graph-Attention-Networks«. Sie identifizieren die Schlüsselknoten im Stromnetz, die das Muster der Stromabgabe maßgeblich beeinflussen.

Die aktuelle Veröffentlichung zeigt die Überlegenheit dieser Methode gegenüber bestehenden datengesteuerten Techniken in zwei unterschiedlich großen Szenarien für erneuerbare Energiesysteme. Der neue Ansatz liefert nicht nur schnelle und praktikable Lösungen, sondern ermöglicht auch die Interpretierbarkeit, die für Verständnis und Vertrauen in KI-basierte Systeme entscheidend ist.

Noch befindet sich diese Technologie in einem frühen Stadium. Sie wurde hauptsächlich in kleinen und mittelgroßen Stromnetzen getestet. „Sie kann die modernen Energiesysteme verändern“, ist Chen Li überzeugt: „Sie ermöglicht die nahtlose Integration von dezentralen Energiequellen ins Netz, also vor allem Solarzellen und Windturbinen“. Dadurch werden erneuerbare Energien zuverlässiger und leichter einsetzbar.

Das System verbessert die Effizienz, Zuverlässigkeit und Nachhaltigkeit der Stromverteilung und ermöglicht ein intelligentes Management sowie eine regelmäßige Anpassung des Stromnetzes. Darüber hinaus schafft es die Grundlage für eine wirtschaftliche Optimierung, indem es physikalische Faktoren und die Dynamik des Energiemarkts berücksichtigt.

Publikation: Chen Li, Alexander Kies, Kai Zhou, Markus Schlott, Omar El Sayed, Mariia Bilousova, Horst Stoecker, Optimal Power Flow in a Highly Renewable Power System Based on Attention Neural Networks, Applied Energy 359 (2024) 122779, https://doi.org/10.1016/j.apenergy.2024.122779

Abbildung: Stromerzeugung und Stromübertragung im europäischen Stromnetzmodell mit 33 Verteilungsknoten. Der KI-Ansatz von Chen Li et al. verknüpft die Stromerzeugung aus verschiedenen Quellen, einschließlich konventioneller und erneuerbarer Ressourcen (Tortendiagramme an verschiedenen Orten), sowie die Stromübertragung (Pfeile, die die Tortendiagramme miteinander verbinden) und stellt umgehend sicher, dass der Strombedarf überall auf der Grundlage der eingegebenen Wetterbedingungen gedeckt ist.

Warum hat uns die Evolution mit Gefühlen ausgestattet?

17. Dezember 2021

von Andreas Woitun

Für die Evolution ist alles vorteilhaft, was die Anzahl an Nachkommen erhöht. Emotionen sind abstrakte Kriterien, mit deren Hilfe selbst unterschiedliche Tätigkeiten vergleichend bewertet, und damit Ziele und Aufgaben effizient ausgewählt werden können.

Die Realität ist komplex und damit chaotisch. In einer Gemeinschaft muss das Individuum sich zusätzlich noch mit Anderen abstimmen. Daher musste sich das das menschliche Gehirn vor allem deshalb so rasch entwickeln, weil es vor der Aufgabe stand, die Komplexität des sozialen Miteinanders zu bewältigen.

Intelligenz erweitert die Zahl der Handlungsoptionen. Durch die Beschäftigung mit dem Thema „Maschinelles Lernen“ wissen wir, dass die rechnerischen Anforderungen mit der Komplexität der Problemstellung überaus schnell ansteigen.

Um gute Entscheidungen zu treffen, benötigen wir für die zahlreichen Handlungsoptionen daher einen Mechanismus, der die geistigen Anforderungen deutlich reduziert. Das ist es, was Emotionen ermöglichen.

Sehr unterschiedliche Tätigkeiten können identische Gefühle auslösen – zum Beispiel Langeweile, Aufregung oder Befriedigung. So kann es genauso befriedigend sein, mit Freunden zu Essen, wie Geige zu spielen oder verrückte Sachen anzustellen. Nach materiellen Kriterien ließen sich diese Tätigkeiten kaum auf einen Nenner bringen.

Individuen, die über emotionale Entscheidungsmechanismen verfügen, versuchen ihre Tätigkeiten so auszuwählen, dass diese im Mittel mit ihrem „Charakter“ im Einklang sind.

Uns ist in der Regel nicht bewusst, wie viele biochemische Prozesse beständig in unserem Gehirn ablaufen. Gefühle, die biologischen Grundlage von Emotionen können wir dagegen wahrnehmen. Diese Fähigkeit ist erst bei höheren Affen voll ausgebildet worden. Emotionen können wir mit unserem Verstand regulieren. Hätte uns die Evolution keine Gefühle mitgegeben, könnten wir unsere Emotionen, also die entsprechenden Gehirnprozesse, nicht regulieren.

Das würde der wissenschaftlichen Definition von „Zombies“ durch die beiden Neurowissenschaftler Christof Koch und Francis Crick entsprechen. Diese kann man als denkfähigen Wesen ansehen, die Triebe haben, diese aber nicht kontrollieren können, da sie sich ihrer nicht bewusst sind.

Ein emotionales Kontrollsystem ist nicht nur für Menschen und hochentwickelte nicht-menschliche Tiere von herausragender Bedeutung, sondern auch für potentielle künstliche Intelligenzen. Roboter-Emotionen werden sich nicht – wie in vielen Filmen dargestellt – sekundär entwickeln. Synthetische Emotionen sind vielmehr eine unabdingbare Voraussetzung für eigenständig agierende universelle Intelligenzen, sofern es diese jemals geben sollte.

Wissenschaftlicher Ansprechpartner

Prof. Dr. Claudius Gros, Goethe-Universität, Institut für Theoretische Physik, Campus Riedberg, eMail: gros07@itp.uni-frankfurt.de