Herzlichen Glückwunsch, Kristopher, zum Lieselotte-Templeton-Preis für deine hervorragende Bachelorarbeit!

Ab 2017 hat Kristopher an der Julius-Maximilians Universität in Würzburg Biochemie studiert, nachdem er zunächst als Rettungssanitäter gearbeitet hat. Er fand ein besonderes Interesse an der Bioinformatik und schloss sich Anfang 2020 dem Thorn Lab an. Hier arbeitete er in der Corona Virus Structural Task Force und trägt mit seinen Fähigkeiten im Bereich der Datenverarbeitung zur Bekämpfung der andauernden COVID-19-Pandemie bei. Nachdem das Thorn Lab von Würzburg nach Hamburg ans DESY umgezogen ist, begann er seine Bachelorarbeit, in der er die Auswirkungen von Eiskristallartefakten in makromolekularen Beugungsdaten untersuchte und neue Methoden fand, um diese mit Hilfe künstlicher Intelligenz zuverlässig zu erkennen. Seine Arbeit in der Corona Virus Structural Task Force veranlasste ihn dazu, seine datenwissenschaftlichen Fähigkeiten zur Bekämpfung von Infektionskrankheiten einzusetzen. Er begann seinen Master in Gesundheitswissenschaften und arbeitet jetzt im ESIDA-Projekt, um den Kampf gegen das Dengue-Fieber zu unterstützen. Mehr über ihn, findet ihr auf LinkedIn.

Bitte gib uns eine kurze Übersicht über deine Arbeit.

Die Erkennung von Beugungsartefakten durch Eis in Einkristalldatensätzen kann sehr schwierig sein, sobald die Daten integriert, skaliert und zusammengeführt wurden. Eine automatische Erkennung dieser Artefakte wäre sehr vorteilhaft, da die makromolekulare Strukturbestimmung durch Eisbeugung negativ beeinflusst oder sogar vollständig behindert werden kann, was jedoch schwierig bleibt.

2017 konnte gezeigt werden, dass Intensitäts-Auflösungs-Diagramme eine einfache Identifizierung von Eisringkontaminationen in integrierten Datensätzen ermöglicht [1] – und dies mit dem bloßen Auge (siehe Abbildung). Dieser Ansatz könnte jedoch durch automatische Routinen ergänzt werden. Dies hat mich dazu veranlasst, die Identifizierung mit Hilfe von maschinellem Lernen zu versuchen. Am Ende konnte ich Neuronale Netze zur Erkennung von Eisartefakten in verarbeiteten makromolekularen Beugungsdaten präsentieren. Dies hat zu einem neuen Programm zur automatischen Erkennung namens „Helcaraxe“ geführt. Nach meiner Bachelorarbeit bin ich in der Forschungsgruppe geblieben, um weiter an dem Helcaraxe-Programm zu arbeiten, und ich bin sehr stolz darauf, meine erste Forschungspublikation als Erstautor darüber geschrieben zu haben [2].

Was hat dir an deiner Bachelorarbeit am meisten Spaß gemacht?

Zunächst einmal war ich bei DESY von wunderbaren Menschen umgeben und hatte eine unglaublich gute Zeit, während ich an einem so lebendigen Institut arbeitete. Außerdem war es für mich eine große Freude, mich in das Thema maschinelles Lernen einzuarbeiten. Auch wenn der Begriff oft als Modewort verwendet wird, haben diese Modelle sehr viel Potenzial und bieten die Möglichkeit kreativ mit Daten zu arbeiten. Besonders die Arbeit mit Convolutional Neural Networks fand ich so interessant, dass ich für meine Masterarbeit wieder damit arbeiten werde, diesmal zur Identifizierung von invasiven Krankheitsüberträgern.

Wie hast du es geschafft, den Preis zu gewinnen?

Meine Mentorin und Gruppenleiterin Andrea Thorn hat mir von diesem Preis erzählt und mich für ihn nominiert. Nicht nur dafür bin ich ihr unheimlich dankbar. Sie hat mich in den letzten zwei Jahren enorm unterstützt und mich motiviert, meine wissenschaftliche Karriere fortzusetzen. Ich freue mich sehr und fühle mich sehr geehrt, dass das Preiskomitee beschlossen hat, meine Arbeit mit dem Liselotte-Templeton-Preis auszuzeichnen.

Literatur

1. A. Thorn, J. Parkhurst, P. Emsley, R. A. Nicholls, M. Vollmar, G. Evans and G. N. Murshudov: AUSPEX: a graphical tool for X-ray diffraction data analysis, Acta Cryst. D 73 729 (2017) 10.1107/S205979831700969X
2. K. Nolte, Y. Gao, S. Stäb, P. Kollmannsberger, A. Thorn:  Detecting ice artefacts in processed macromolecular diffraction data with machine learning, Acta Cryst D 78 187 (2022) 10.1107/S205979832101202X