Energy Transfer in Bacterial Photosynthesis Resolved by Machine Learning enhanced Multiscale Simulations

Das zentrale Dogma der computergestützten Chemie, dass sich Gleichgewicht, Systemgröße
und Genauigkeit gegenseitig bedingen, wurde durch Modelle des maschinellen
Lernens (ML) neu definiert. In dieser Arbeit wurden ML-Vorhersagen für große Proteine
und ein kleineres Chlorophyllmolekül in etablierte Multiskalenansätze integriert, um
auf atomarer Ebene neue Einblicke in Rezeptoren und photosynthetische Proteine zu
gewinnen.
Zunächst wurde das mit dem Nobelpreis ausgezeichneten AlphaFold2 Proteinvorhersage-
Tool verwendet, um die Signalübertragung zwischen Fadenwürmern und Pilzen zu untersuchen.
... mehr
Docking-Studien von Pheromonen und Rezeptoren enthüllten die Rolle von
zwei in beiden Organismen konservierten Sequenzmotiven. Diese Ergebnisse lieferten
eine atomistische Erklärung für die phänotypischen Experimente. Darüber hinaus zeigten
die Ergebnisse, wie ein iterativer Abgleich zwischen Experimenten und Vorhersagen zu
einer produktiven Zusammenarbeit führen kann.
Der Hauptteil dieser Arbeit konzentrierte sich auf Bakteriochlorophyll a (BChl a), das am
häufigsten vorkommende Pigment in photosynthetischen Bakterien. Seine quantenmechanischen
Eigenschaften, wie Anregungsenergien und exzitonischen Kopplungen, bestimmen
seine Lichtabsorption und den Energietransfer. In Lichtsammelkomplexen moduliert
die Proteinumgebung diese Eigenschaften so, dass mehrere BChl a-Moleküle kollektive
Zustände bilden, was zu einem optimierten Energietransfer in Form von Exzitonen führt.
Neuronale Netze können die erforderlichen Eigenschaften einzelner BChl a-Pigmente
deutlich schneller vorhersagen als jede quantenmechanische Berechnung, wodurch die
Simulation der kollektiven Eigenschaften von BChl a-Molekülen ermöglicht wird.
Die Methode wurde am vergleichsweise kleinen Fenna-Matthews-Olson-Komplex (FMO)
getestet. Sie reproduzierte experimentelle Transferzeiten und Absorptionsspektren sowohl
unter kryogenen als auch unter physiologischen Bedingungen. Basierend auf diesen Ergebnissen
wurde die Exzitondynamik im Lichtsammelkomplex 2 (LH2) aus Purpurbakterien
untersucht. Die Simulationen reproduzierten experimentell gemessene Eigenschaften,
wie das Absorptionsspektrum oder die Delokalisierung des Exzitons zwischen den Pigmenten.
Die Simulationen zeigten jedoch auch, dass diese Experimente und Interpretationen irreführend
sind. Die Anregungsenergien und Kopplungen der Pigmente sind selten derart
angeordnet, dass sie zu den experimentell ermittelten Eigenschaften führen. Eine
zeitaufgelöste Analyse des Exzitons ergab einen Transfermechanismus in einem Teilsystem
von LH2, der als „Transient Localization Theory“ bekannt ist und ursprünglich für den
effizienten transfer in organischen Halbleituern formuliert wurde. Dieses Transferregime
ist nur aufgrund der geringen Reorganisationsenergie von BChl a und der spezifischen
Proteinumgebung möglich.
Derartige Erkenntnisse vertiefen nicht nur das grundlegende Verständnis von der Energieübertragung
in der Photosynthese, sondern eröffnen auch Möglichkeiten für die
rationale Entwicklung photosynthetisch optimierter Organismen.

The central dogma of computational chemistry - the balance between accuracy, system
size, and computational cost - has been reshaped by machine learning (ML) models. These
models enable us to address questions that were inaccessible only a few years ago. In this
thesis, ML predictions of large proteins and a smaller chlorophyll molecule were integrated
into established multiscale methods to provide new atomistic insights into receptors and
photosynthetic proteins.
First, AlphaFold2, the Nobel Prize-winning protein prediction tool, was used to study the
interspecies signaling between nematode worms and fungi. ... mehrMolecular docking studies of
nematode-specific pheromones and AlphaFold2-predicted receptors revealed the role of
two short sequence motifs that are conserved in both organisms. These results provided
an atomistic explanation for the phenotypic experiments. Furthermore, the results demonstrated
how an iterative loop of predictions validated by experiments and experiments
guided by predictions can lead to highly productive collaborations.
The main part of this work focused on bacteriochlorophyll a (BChl a), the key pigment
in photosynthetic green and purple bacteria. Its quantum mechanical properties such as
excitation energies and excitonic couplings, govern light absorption and energy transfer.
In light-harvesting complexes, the protein environment fine-tunes these properties so that
multiple BChl a molecules form collective quantum states, optimizing the efficiency of
energy transfer in form of excitons. Neural networks can predict the required properties of
individual BChl a pigments significantly faster than any quantum mechanical calculation,
enabling the description of the collective properties of BChl a molecules.
The multiscale method was benchmarked on the comparably small Fenna–Matthews–Olson
(FMO) complex. It reproduced experimental transfer times and absorption spectra under
both cryogenic and physiological conditions. Based on these findings, exciton dynamics
in the light-harvesting complex 2 (LH2) from purple bacteria was investigated. The simulations
reproduced experimentally determined properties such as the absorption spectrum
or the delocalization of the exciton among the pigments.
However, the ML-accelerated simulations showed that these experiments and interpretations
are misleading. The pigments’ excitation energies and couplings are rarely, if ever,
arranged in a way that leads to the experimentally determined time-averaged properties.
A time-dependent analysis of excitonic properties revealed a transfer mechanism
in one subsystem of LH2 known as "transient localization theory", which was originally
formulated to describe highly efficient transfer in organic semiconductors. This transfer
regime is only possible due to the low reorganization energy of BChl a and the specific
protein environment of that subsystem, which yields negligible additional reorganization
energy.
Such insights not only deepen the fundamental understanding of energy transfer in
photosynthesis, but also open possibilities for the rational design of photosynthetically
optimized organisms.