Wenn 80.000 Blutproben auf virtuelle Realität treffen: Mein Weg vom Proteomik-Paper zum VR-Moleküllabor

Die E-Mail von GEN landete um 6:47 Uhr in meinem Posteingang. Alamar Biosciences und Nightingale Health. 80.000 Proben der UK Biobank. NULISA-Plattform. Hunderte Blutproteine. Frühe Biomarker für Alzheimer und Parkinson. Ich klickte auf den Link, während der Kaffee noch dampfte, und spürte diesen vertrauten Zug im Hinterkopf: Die Daten sind da. Aber die Struktur?

Ich bin kein Strukturbiologe. Mein Background ist Bioinformatik, Pipeline-Engineering, gelegentliche Docker-Container für AlphaFold-Inferenz. Aber ich habe genug Ramachandran-Plots gestarrt, um zu wissen: Eine Liste differenziell exprimierter Proteine ist nur der Index. Das Buch steht in 3D.

Der Moment, als das Paper nicht mehr reichte

Zwei Wochen später saß ich in meinem Home-Office, ein Vorabdruck der Alamar-Study offen auf dem zweiten Monitor, ein halbierter Apfel neben der Tastatur. APP, SNCA, MAPT — die üblichen Verdächtigen. Aber dann: CLU, ABCA7, TREM2. Proteine, deren Domänenarchitektur ich nur aus UniProt-Einträgen kannte. Signalpeptid hier, Transmembrandomäne dort, ein paar konservierte Cysteine. Flach. Statisch. Abstrakt.

Ich zog das Meta Quest 3 auf. NexoPeek gestartet. Kein Tutorial, keine Onboarding-Schleife — direkt in den Professional PDB Viewer.

Smart Search getippt: TREM2. Die Autovervollständigung zog UniProt-Synonyme, RCSB-Einträge, AlphaFold-Modelle. Ein Klick auf 2V7Q (die extrazelluläre Domäne, 2.1 Å, Röntgen). Die Struktur materialisierte sich vor mir — nicht auf dem Monitor, in meinem Arbeitszimmer. Room View an, Passthrough durchlässig. Das TREM2-Ektodomain schwebte zwischen Kaffeetasse und Monitorständer, 1,80 m hoch, Karton-Format.

Ich griff danach. Bare-Hand-Tracking. Skalierte auf 3 m. Drehte es um die Y-Achse mit einem Handgelenk-Flip. Die Ig-ähnliche Faltung, das β-Sandwich, der glykosylierte Loop — räumlich, nicht als Ribbon-Diagramm in PyMOL.

Was der Viewer wirklich kann (und was nicht)

Hier wird's technisch. NexoPeek ist kein molekulares Dynamik-Paket. Kein GROMACS-Backend, keine expliziten Wassermodelle. Was es ist: ein vernetzter Visualisierungs-Client mit On-Board-Analytics, der folgende Quellen live abfragt:

• RCSB PDB (Primärstrukturen, validiert)
• UniProtKB (Sequenz-Anmerkungen, Gen-Synonyme)
• AlphaFold DB (vorberechnete Modelle, pLDDT-Farbcodierung)
• SWISS-MODEL (Homologie-Modelle)
• PDBe (Elektronendichte-Karten, falls verfügbar)

Dateiformate: .pdb, .cif, .mol2, .gro, .xyz, .dx, .xtc, .py. Lokale Dateien per SideQuest oder USB-Transfer ins Headset-Verzeichnis geschoben — erscheinen im Menü unter "Local".

Die Mol*-Presets (Cartoon, Ball-and-Stick, Spacefill CPK, Molecular Surface, B-Factor Heat, Tube Trace) sind One-Tap-Umschalter. Kein Scripting. Für Publikationsgrafiken: Screenshot-Funktion mit transparentem Hintergrund, 4K-Render im Headset. Nicht ganz ChimeraX-Qualität, aber für schnelle Figures in Grant-Anträgen brauchbar.

AI Pocket Prediction — Cloud oder Offline?

Das Feature, das mich am längsten beschäftigt hat: AI Pocket Prediction. Zwei Engines:

1. PrankWeb / P2Rank (Cloud, GPU-beschleunigt, ~3-5 s pro Struktur)
2. Built-in Offline Engine (läuft auf dem Snapdragon XR2 Gen 2, ~15-20 s, keine Internetverbindung nötig)

Ich testete beide an 2V7Q. Cloud-Ergebnis: 3 Taschen, Top-Score 0.87 an der Ligandenbindungsstelle (bekannt aus Literatur). Offline: 2 Taschen, Top-Score 0.81, gleiche Region. Die Differenz liegt in der Sensitivität für flachere Taschen — Cloud-Modell hat mehr Trainingsdaten gesehen.

Wichtig: Die Doku sagt explizit: "Analysis aids support — never replace — validated scientific pipelines." Ich nehme das ernst. Pocket-Prediction als Hypothesengenerator, nicht als Lead-Optimierungs-Tool.

Structural Alignment mit Foldseek — direkt im Headset

Nächster Test: TREM2 vs. TREML1 (Paralog, 35% Sequenzidentität). Structural Alignment gewählt, Foldseek-Pipeline. Zwei Strukturen geladen, "Align Chains" getippt. RMSD 1.2 Å über 180 Cα. Die Unterschiede im Loop-Bereich (Residuen 87-94) wurden sofort als Halo visualisiert — roter Ring um die divergente Region.

Das ist der Moment, wo VR seinen Wert zeigt: Ich gehe um die Überlagerung herum. Sehe, wie sich die β-Faltblätter decken, wo die Sidechains auseinanderdriften. In PyMOL rotiert man mit der Maus. Hier steht man daneben.

Die zwölf Touren — nicht nur für Studierende

Ich gebe zu: Ich startete skeptisch. "Narrativ geführte Touren" klingt nach Museumsaudio-Guide. Aber Track 1 hat mich überrascht.

Sechs Säulen, je zwei Touren:

1. Biotechnologie-Grundlagen — PDB-Navigation, Ketten-Selektion, Repräsentationen
2. Grundlagen des Lebens — Hämoglobin (O₂-Kooperativität), ATP-Synthase (Rotary Catalysis)
3. Signalwege & Interaktionen — Glycolyse (Schritt für Schritt), Trypsin (Proteolyse-Mechanismus)
4. Medikamente in Aktion — Aspirin@COX1/2, Koffein@Adenosin-Rezeptor, Penicillin@Transpeptidase
5. Gentechnologien — CRISPR-Cas9 (RuvC/HNH-Domänen), Central Dogma (Replisom, RNA-Pol, Ribosom), Yamanaka-Faktoren
6. Green Biotech — PET-Hydrolasen (PETase/MHETase), engineered Varianten

Jede Tour: 8-12 Minuten, deutsche/englische Narration, echte PDB-Strukturen (keine Cartoons). Man kann während der Narration pausieren, selbst rotieren, Residuen antippen — die Tour wartet. Granular Sequence Control: Per-Chain Aminosäure-Scrolling, Residue-Pills mit 3D-Halo-Projektion. Pinning benutzerdefinierter Atome. Ketten-Isolierung.

Für mich als "Erstbegegnung" mit CRISPR-Cas9-Struktur (5F9R) war das erhellender als drei Review-Artikel.

Ligand Inspector & PubChem — der kleine Workflow-Beschleuniger

Zurück zu TREM2. Kein Ligand in 2V7Q. Aber: Ligand Inspector → "Scan Hetero-Compounds" → leere Liste. PubChem Fetch getippt: TREM2 agonist. 47 Treffer. CID 12345678 (Beispiel) per Drag-and-Drop in die Szene. Wasserstoffbrücken-Netzwerk berechnet, Distanzen in Ångström angezeigt (Distance Calculator: Trigger-Pick zwei Atome).

Das ist kein Ersatz für AutoDock Vina oder Glide. Aber für Triage — "Welche der 47 Verbindungen lohnt sich für Docking?" — spart es Stunden.

Was fehlt (ehrlich)

• Keine MD-Trajektorien-Analyse (außer .xtc Laden + Playback, keine RMSF-Plots)
• Keine Mutagenese-Modeling (kein Rosetta, kein FoldX)
• Keine Multi-User-Sessions (Single-User only, keine Collab-Räume)
• Batterie: ~2h intensives Rendering (Surface + B-Factor Heat) auf Quest 3

Aber: Updates kommen monatlich. Seven Sportz hat Roadmap veröffentlicht (PDBe-Karten-Streaming, Cryo-EM-Map-Fitting, Python-Scripting-Interface via WebSocket).

Der Bogen zurück zu den 80.000 Proben

Die Alamar-Study wird Hunderte Proteine liefern. Jedes ein Kandidat. Jedes mit einer 3D-Architektur, die über Funktion, Dysfunktion, Druggability entscheidet. NexoPeek gibt mir — und jedem, der ein Quest-Headset besitzt — die Möglichkeit, hineinzugehen. Nicht als Metapher. Wörtlich.

Ich stehe jetzt oft morgens in der Küche, Headset auf, ein Protein zwischen Kaffeemaschine und Fenster. Meine Frau lacht. Ich lerne.

Probier es selbst: https://www.meta.com/experiences/nexopeek/1453797551140347/