Как увидеть форму молекулы в микроскоп экспресс
Сканирующий туннельный микроскоп ощупывает молекулу тончайшей иглой и рисует её рельеф. Но снимок плоский, а молекула объёмная. Как по тени на стене угадать позу человека? Учёные построили «переводчика с теней на объём» — нейросеть, которая восстанавливает трёхмерную форму молекулы по её отпечатку.
Сначала сеть учили на миллионах синтетических снимков. Компьютер рассчитывал, как выглядела бы молекула под микроскопом, если бы лежала так или эдак. Потом показывали настоящий снимок — и сеть предлагала наиболее вероятную позу. Для пептида брадикинина ошибка составила меньше двух ангстрем — это в десять раз тоньше человеческого волоса.
Метод проверили и на сахарах — гликанах. Они гибче белков, поэтому ошибка чуть больше — до четырёх ангстрем. Но даже так компьютер верно нашёл положение колец и связей. Это уже не просто красивая картинка, а рабочий инструмент для химиков и биологов.
Теперь определение структуры молекулы занимает минуты, а не недели. Можно быстрее проверять, как лекарство садится на свою мишень, или как мутация меняет форму белка. Тень на стене заговорила.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2603.07706
Improving the detailed understanding of the underlying properties and functions of biomolecules has recently attracted growing interest, enabled by the possibility of real-space imaging of single, intact macromolecules using Scanning Tunneling Microscopy (STM) in combination with electrospray ion beam deposition and soft landing. This combination provides key insights into biomolecular behavior, but it also imposes stringent requirements on rapid and reliable data analysis. A major limiting factor for applying machine learning to STM images is often the scarcity of training data, caused by the long acquisition times required for both experimental imaging and high-accuracy simulations. Here, we propose a framework for the rapid generation of three-dimensional structures of glycans, peptides, and glycopeptides and their corresponding STM-like image simulations, based on state-of-the-art, machine-learning-accelerated Density Functional Theory (DFT). We generate datasets for the polypeptide bradykinin and for a representative glycan molecule, and we train a conformer estimation model to predict a molecule's three-dimensional structure from an STM image. On synthetic data, our approach achieves high accuracy, with median atomic deviations below $$2\,\AA{}$$ for peptides and below $$4\,\AA{}$$ for glycans. Application to experimental data predominantly yields a precise, reliable, and visually convincing determination of the local positions of molecular subunits. The application to experimental data represents an important milestone towards a fully automated structural search pipeline for complex, biologically relevant systems imaged with STM.
Ангстрем — это одна десятимиллиардная доля метра. Диаметр атома водорода — примерно один ангстрем.
В сериале «Звёздный путь» медицинский трикодер определял состав вещества за секунды. Наш метод — маленький шаг к такому сканеру.