Wenn Biotechnologie zur Sicherheitsfrage wird – und warum immersives molekulares Verstä...

Wenn Biotechnologie zur Sicherheitsarchitektur wird – und warum immersives Strukturverständnis mehr als Education ist

Die DW-Story „Biological weapons: The weaponization of disease“ ist keine Sci-Fi-Warnung. Sie beschreibt den Status quo: KI-gestütztes Protein-Design (RFdiffusion, ProteinMPNN), Cloud-Labs (Strateos, Emerald), CRISPR-basierte Systeme – all das unterläuft die Verifikationsmechanismen der BWC, weil Design schneller geht als Detection.

Als Bioinformatiker sehe ich den Flaschenhals nicht im Compute, sondern im strukturellen Intuition. Die meisten Pipelines – Foldseek für Homologie, PrankWeb/P2Rank für Pocket-Prediction, Mol* für Rendering – laufen headless. Der Mensch sieht das Ergebnis: eine CSV, ein PNG, ein PDBQT. Aber warum ist diese Tasche druggable? Wie koppelt Allosterie an die aktive Stelle? Wo sitzt das Off-Target-Risiko bei einem de-novo-Designer-Binder?

Genau hier setzte ich vergangenen Freitag an. Quest 3 auf. NexoPeek gestartet. Nicht als Demo – als Arbeitsumgebung.

Architektur, die man betreten kann

NexoPeek läuft nativ auf Quest (Snapdragon XR2 Gen 2), rendert Mol*-Repräsentationen (cartoon, ball-and-stick, spacefill, surface, B-factor heat, tube) mit 72 fps. Handtracking nutzt die XR2-ISP-Pipeline, Controller-Fallback für Präzision. Der Room-View-Modus nutzt Passthrough-API: Moleküle werden in Weltkoordinaten projiziert, das Wandmenü bleibt als Overlay erhalten – kein Context-Switch. Die Rendering-Pipeline basiert auf WebXR + WebGPU, was eine deterministische Frame-Zeit von ~13 ms pro Frame garantiert – kritisch, wenn man während einer Pocket-Analyse die Kamera per Handgeste dreht, ohne Latenz zu spüren.

Track 1: Education als Onboarding für strukturelles Denken

12 Touren, 6 Säulen, alle auf echten PDB-Strukturen:

• Biotechnology Basics: Koordinatensysteme, Symmetrie, Validierung (MolProbity-Scores im Overlay)
• Foundations of Life: 1A3N (Hämoglobin) – O₂-Bindung, Kooperativität, Bohr-Effekt per Residue-Highlight
• Pathways & Interactions: 1GDG (Trypsin), Glykolyse-Enzyme mit Substrat-Trajektorien
• Medicines in Action: 1EQG (COX-1 + Aspirin), 1M9L (Penicillin-BP), Koffein-Adenosin-Rezeptor
• Genetic Technologies: 5F9R (CRISPR-Cas9), Replisom, RNA-Pol II, Yamanaka-Faktoren (Oct4/Sox2/Klf4/c-Myc)
• Green Biotech: PETase (5XJH), MHETase – engineered Varianten mit aktivem Site-Mutations-Overlay

Jede Tour ist narrativiert (EN/DE), synchronisiert Kamerapfade mit Residue-Pills – man tippt „His97“, das System zoomt, highlightet, zeigt Distanz zu Ligand. Die JSON-Schema-Definition für Touren erlaubt eigene Erweiterungen: man kann eigene PDB-IDs, Kamera-Keyframes und Annotationstexte in einer Datei beschreiben und per Drag-and-Drop in den Headset-Speicher laden.

Track 2: Professional Viewer – die Workstation im Headset

Hier wird es für uns interessant:

• Smart Search: Federated Query über RCSB, UniProtKB, AlphaFold DB, SWISS-MODEL, PDBe. UniProt-Gene-Synonym-Resolution (z. B. „TP53“ → P04637 + AF-Q12345), automatische Modell-Validierung (pLDDT, PAE-Plots im Side-Panel). Die Abfrage läuft asynchron über eine GraphQL-Gateway, Ergebnisse werden in < 2 s als interaktive Karten geladen.
• Local Ingestion: .pdb, .cif, .mol2, .gro, .xyz, .dx, .xtc, .py – per USB/ADB oder Cloud-Sync. Electrostatic Field Lines (APBS-Precompute), Custom Bonds, Electron Density Maps (2mFo-DFc, mFo-DFc). Die APBS-Gitter werden einmalig auf dem Host berechnet und als komprimierte Texturen gestreamt – 0,8 GB für ein 300 kDa-Komplex, latenzfrei im Headset.
• Mol* Presets: 6 One-Tap-Presets (Publication, Pocket, Ligand, Dynamics, Symmetry, Validation) – konfigurierbar via JSON-Schema. Ein Preset kann z. B. „Ligand“ automatisch Surface + H-Bond-Netzwerk + PubChem‑Conformer laden.
• Sequence Control: Per-Chain Residue-Pills mit 3D-Halo-Projektion. Pin-Atome, Chain-Isolation, Mutations-Sandbox (Side-Chain-Rotamer-Library on-device). Die Rotamer-Bibliothek (Dunbrack 2010) liegt als komprimierte Lookup-Tabelle vor; Mutationen werden in < 30 ms neu gerendert.
• Analytics Suite:
  • AI Pocket Prediction: PrankWeb (Cloud, GPU) + P2Rank (Offline, CPU) – Consensus-Scoring, Druggability-Index.
  • Structural Alignment: Foldseek-Pipeline (TM-align Mode), Superposition RMSD + TM-Score live.
  • Ligand Inspector + PubChem: H-Bond-Netzwerk, π-Stacking, Halogen-Bonds, 3D-Conformer-Fetch (CID → SDF → 3D).
  • Distance Calculator: Trigger-Pick zwei Atome → Å mit 0,01 Å Präzision (Controller) / 0,1 Å (Handtracking).

Warum das für Safety relevant ist

Ein Security-Analyst, der in einer de-novo-designten Bindetasche steht, erkennt Steric Clashes, Wasserstoffbrücken-Netzwerke, hydrophobe Hotspots intuitiv. Er fragt: „Kann ich hier einen competitiven Inhibitor docken?“ – und nutzt den Ligand Inspector + PubChem Fetch, um in 30 Sekunden 50 Kandidat-Conformer zu visualisieren. Kein Jupyter-Notebook-Startup. Kein PyMOL-Scripting. Direkte Hypothese.

Das ersetzt keine validierte Pipeline (AutoDock Vina, FEP+, Cryo-EM-Validierung). Aber es beschleunigt die Hypothesenbildung – den Schritt, der heute am meisten Expertise und Zeit kostet. In einem Red-Team-Exercise letzte Woche konnte ich so innerhalb von 12 Minuten drei plausible Off-Target-Pockets an einem synthetischen Binder identifizieren, die im Flachbildschirm-Workflow erst nach Stunden manueller Inspektion auffielen.

Persönliches Fazit

Ich habe 15 Jahre Flachbildschirme angestarrt. Das erste Mal, als ich durch die Hämoglobin-Untereinheit ging, verstand ich Kooperativität nicht als Hill-Koeffizient – sondern als mechanische Wellenausbreitung. Als ich die Aspirin-Acetylierung von Ser530 umgriff, sah ich Irreversibilität nicht als k_on/k_off – sondern als sterische Mauer.

Ein kleiner Rückschlag: beim ersten Handtracking-Versuch versagte die Erkennung meiner Daumen-Bewegung, weil das Licht im Labor zu diffus war. Ein kurzer Wechsel auf Controller und eine Kalibrierung der Passthrough-Kamera lösten das Problem – ein Hinweis, dass Umgebungslicht für XR-Workflows nicht vernachlässigbar ist.

Immersion ist kein Feature. Sie ist ein anderer Abstraktionslayer. Und in einem Feld, wo Design schneller geht als Verständnis, ist das der Layer, den wir brauchen.

https://www.meta.com/experiences/nexopeek/1453797551140347/