Elektronendichte statt Atome: Neue CNN-Modelle verbessern 3D-Molekülvorhersagen

In einer wegweisenden Studie zeigen Forscher, dass die direkte Nutzung von Elektronendichtekarten – die aus Röntgenkristallographie und Kryo-Elektronenmikroskopie stammen – die Leistung von 3D-Convolutional Neural Networks (CNNs) für molekulare Vorhersagen deutlich steigern kann. Anstelle der üblichen atombasierten Darstellungen, die wichtige physikalische Details vernachlässigen, werden hier volumetrische Daten in Form von Voxel‑Netzen verarbeitet.

Die Untersuchung vergleicht drei Eingabetypen: klassische Atomspezies, rohe Elektronendichte und die Magnitude des Dichtegradienten. Auf der Aufgabe der Protein‑Ligand‑Bindungsaffinität (PDBbind) liefern alle Modelle bei ausreichenden Datenmengen ähnliche Ergebnisse. In datenarmen Szenarien jedoch übertreffen die dichtebasierten Eingaben die atombasierten Modelle deutlich, während ein reines Formen‑Baseline-Modell ähnlich gut abschneidet – was darauf hindeutet, dass die räumliche Besetzung hier entscheidend ist.

Bei der Vorhersage quantenmechanischer Eigenschaften (QM9) – wo die Labels aus Dichtefunktionaltheorie (DFT) stammen, die Eingaben jedoch aus einer niedrigeren Methode (XTB) kommen – bleiben die dichtebasierten Modelle überlegen. Sie nutzen die reichhaltige strukturelle und elektronische Information, die in der Dichte verankert ist, und erzielen damit höhere Genauigkeit.

Die Ergebnisse unterstreichen, dass die Wahl der Eingabedarstellung stark von der jeweiligen Aufgabe und dem Datenvolumen abhängt. Durch die Einbindung von Elektronendichte können Modelle nicht nur in datenarmen Szenarien effizienter werden, sondern auch die Präzision bei der Modellierung quantenmechanischer Eigenschaften verbessern.