Proteïnes willen zich graag in een toestand van zo laag mogelijke energie vouwen. Bij proteïne ontwerp wordt via software gezocht naar een toestand van zo laag mogelijke energie, maar door beperkingen in de algoritmes kunnen soms lokale minima worden gekozen in plaats van het absolute minimum. Stel je een meertje in de bergen voor waarvan je denkt dat het een meer op zeeniveau is. Door een landkaart te maken van de hele omgeving kom je erachter welke meertjes er nog meer zijn en waar uiteindelijk de zee is. Een Machine Learning methode die dit kan doen voor proteïne ontwerp (het in kaart brengen en optimaliseren van het energie landschap) is thema van de publicatie 'Protein sequence design by conformational landscape optimization' in de 'Proceedings of the National Academy of Sciences', PNAS: https://www.pnas.org/doi/10.1073/pnas.2017228118 waar Harald Feldmann aan heeft meegewerkt.

Drie ontwerpen worden nu in gist gemaakt om ze daadwerkelijk te testen op SARS-CoV-2.

Een geneesmiddel tegen COVID-19 ontwerpen, eerste stappen.

Microscopen kunnen kleine objecten bekijken met behulp van licht. Electronen Microscopen kunnen héle kleine structuren bekijken met behulp van een electronenbundel. Proteïne structuren zijn hele kleine structuren en door ze heel sterk af te koelen kan men een globale structuur bepalen met een Electronen Microscoop. Dat afkoelen gaat tot 4 graden boven het absolute nulpunt, of ongeveer -269 graden Celsius. Dat noemt men 'Cryogeen'. Hier komt "Cryo-" vandaan uit Cryo-EM, het cryogeen afkoelen voor gebruik in een electronen microscoop. Om de structuur die men hiermee kan vaststellen te verfijnen zijn algoritmes bedacht die door computers kunnen worden gebruikt. De beste algoritmes zijn echter nog niet zo goed als een expert in het bepalen van de beste match tussen een 'wolk' uit de Cryo-EM meting en een echte structuur. In een experiment werd een proteïne structuur globaal vastgesteld in een Cryo-EM meting. Die werd vervolgens aangeboden aan microscoop specialisten, diverse algoritmes en de Foldit groep. In deze paper, waarvan Harald Feldmann als lid van de Foldit groep co-auteur is, wordt uitgelegd hoe de verschillende groepen de klus hebben geklaard. Het blijkt dat een aantal personen uit de Foldit groep de beste structuren heeft gemaakt. Een hele prestatie ! Lees de paper online: https://journals.plos.org/plosbiology/article?id=10.1371/journal.pbio.3000472

Luchtverkeersleiding Nederland schenkt workstations aan Truus Schut Stichting ten behoeve van dementie onderzoek. Geschikt voor 3d ontwerp en brute rekenkracht. Past in LVNL beleid van milieubewust ondernemen.

Beschrijft waar de paper 'Denovo protein design by citizen scientists' over gaat en de rol die DNA, proteïnen en computers daarin spelen. Harald Feldmann werkte aan vijf succesvolle modellen mee.