US-Labor sucht nach Seltene Erden mit Protein-Screening-System

Was die Studie zeigt

„Wir begannen damit, einfach zu sagen: ‚Nehmen wir diese Lanmodulin-Proteine einzeln und testen sie.‘ Wir haben uns durch eine Handvoll davon gekämpft und gemerkt, dass es uns das restliche Leben kosten würde, sie alle effektiv zu charakterisieren“, sagte der LLNL-Wissenschaftler und Hauptautor Dan Park.

Die neue Plattform ermöglicht es Forschern, diesen Engpass vollständig zu umgehen. Proteine im großen Maßstab Mithilfe von 96-Well-Platten können Wissenschaftler nun Dutzende über Seltene-Erden-Elementen testen.

Auch mehrere Platten können gleichzeitig durchgeführt werden, was eine großflächige Kartierung des Metallbindungsverhaltens ermöglicht. Das Team identifizierte acht unterschiedliche Proteinklumpen mit verschiedenen Selenktivitätsmustern für Seltene Erden.

Was die Studie zeigt

Eine Gruppe von über 200 Varianten zeigte eine verbesserte Leistung bei der Trennung, einer großen Herausforderung bei der Raffination kritischer Materialien. Einige entwickelte Proteine waren sogar in der Lage, Trennungen in einem einzigen Schritt durchzuführen, was die Prozesskomplexität reduziert.

Die generierten Daten werden auch verwendet, um maschinelles Lernmodelle zu trainieren, die vorhersagen, wie Proteine vor einem physischen Test funktionieren werden.

Machine Learning Shift Durch die Kombination Forscher darauf ab, Proteine mit gezielten Metallbindeigenschaften zu entwerfen, anstatt sie durch Versuch und Irrtum zu entdecken.

Was die Studie zeigt

„Durch die Umwandlung der Charakterisierung mit geringem Durchsatz in eine skalierbare Plattform zur Datengenerierung eröffnet dieser Ansatz die Tür zu einem prädiktiven, datengesteuerten Design metallselektiver Proteine“, sagte der LLNL-Wissenschaftler und Co-Autor Yongqin Jiao.

Die Plattform könnte auch über Seltene-Erden hinausgehen, wobei die Forscher Anwendungen bei anderen kritischen Metallen erforschen. „Was ich an diesem Ansatz liebe, ist, dass er die Kosten eines Fehlschlags senkt, sodass man ziemlich wilde Ideen ausprobieren kann“, sagte Park.

Wir führen oft aller Art ein. Und manchmal funktionieren sie, manchmal nicht, aber der Punkt ist, dass wir es uns leisten können, diese Ideen jetzt zu testen.

Die Ergebnisse zeigen, wie Automatisierung, Biologie und maschinelles Lernen zusammenlaufen, um die Materialentdeckung im großen Maßstab neu zu gestalten. Die Studie wurde in Nature Chemical Biology veröffentlicht.