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.
