Proteinstrukturvorhersage

Proteine sind die Arbeitsmoleküle in jeder lebenden Zelle. Sie transportieren Sauerstoff im Blut, verdauen Nahrung und bekämpfen Krankheitserreger. Jedes Protein ist zunächst nur eine lange Kette aus kleineren Bausteinen, den Aminosäuren. Diese Kette bleibt aber nicht gerade, sondern faltet sich von selbst zu einem komplizierten dreidimensionalen Knäuel. Welche Aufgabe ein Protein erfüllen kann, hängt fast vollständig von dieser Form ab. Proteinstrukturvorhersage heißt: Man kennt nur die Reihenfolge der Bausteine und will daraus am Computer berechnen, wie das fertige Knäuel im Raum aussieht.

Ein 50 Jahre altes Rätsel der Biologie

Die Reihenfolge der Aminosäuren eines Proteins zu bestimmen, ist heute Routine und kostet wenige Euro. Die räumliche Form zu messen, war dagegen jahrzehntelang aufwendig. Forschende mussten das Protein zu einem Kristall wachsen lassen und mit Röntgenstrahlen durchleuchten. Ein einziges Protein konnte so mehrere Jahre Arbeit und hunderttausende Euro verschlingen. Deshalb kannte man 2020 von etwa 200 Millionen bekannten Proteinen nur rund 170.000 Strukturen.

Für die Medizin ist die Form entscheidend. Medikamente wirken meist, indem ein Wirkstoff genau in eine Vertiefung an der Proteinoberfläche passt, ähnlich wie ein Schlüssel in ein Schloss. Wer das Schloss nicht kennt, kann den Schlüssel nur durch Ausprobieren finden. Kennt man die Struktur, lässt sich am Bildschirm vorsortieren, welche Moleküle überhaupt Chancen haben.

Der Durchbruch kam 2020 beim Wettbewerb CASP, bei dem Forschungsgruppen alle zwei Jahre gegen ungelöste Strukturen antreten. Das Programm AlphaFold der Google-Tochter DeepMind erreichte dort eine Genauigkeit, die experimentellen Messungen nahekam. 2024 ging dafür ein Teil des Chemie-Nobelpreises an die Entwickler.

Was die KI aus Evolution und Nachbarschaft herausliest

Ein Protein durch reine Physiksimulation zu falten, ist praktisch unmöglich. Die Kette könnte astronomisch viele Formen annehmen, und alle durchzurechnen würde länger dauern als das Alter des Universums. Moderne Verfahren rechnen deshalb nicht nach, sondern sagen vorher. Sie lernen aus den zehntausenden Strukturen, die im Labor bereits bestimmt wurden.

Ein zentraler Trick ist der Vergleich verwandter Proteine aus verschiedenen Lebewesen. Wenn sich im Lauf der Evolution eine Aminosäure verändert und eine zweite, weit entfernte Stelle sich fast immer mitverändert, liegen diese beiden Stellen im gefalteten Zustand vermutlich dicht beieinander. Aus tausenden solcher Hinweise entsteht eine Landkarte der Kontakte. Das Modell verwandelt diese Landkarte in konkrete Koordinaten für jedes Atom.

Wichtig ist: Das Ergebnis ist eine Schätzung, kein Messwert. Die Programme geben deshalb zu jedem Abschnitt einen Sicherheitswert an. Bei starren Kernbereichen ist er hoch, bei beweglichen Schlaufen oft niedrig. Auch der häufige Irrtum, AlphaFold zeige den Faltungsvorgang, stimmt nicht. Es liefert nur das Endergebnis, nicht den Weg dorthin.

Von der Datenbank bis zum Biotech-Startup

DeepMind hat die vorhergesagten Strukturen von über 200 Millionen Proteinen frei ins Netz gestellt. Die AlphaFold-Datenbank kann jeder aufrufen, auch Schulklassen. Daneben gibt es Konkurrenzsysteme wie ESMFold von Meta oder das offene RoseTTAFold der Universität Washington. In der Forschung ist ein Blick in diese Datenbanken heute so selbstverständlich wie eine Literaturrecherche.

Wirtschaftlich interessant ist vor allem der nächste Schritt: das Proteindesign. Statt eine vorhandene Struktur vorherzusagen, entwerfen Programme neue Proteine, die es in der Natur nie gab. Firmen wie Isomorphic Labs oder Generate Biomedicines sammeln dafür Milliardenbeträge ein. In Meldungen über Pharma-Kooperationen taucht der Begriff deshalb regelmäßig auf.

Man sollte die Erwartungen trotzdem nüchtern halten. Eine bekannte Struktur ist erst der Anfang eines Medikaments, nicht das Ergebnis. Klinische Studien dauern weiterhin viele Jahre. Die Vorhersage verkürzt vor allem die frühe Suchphase im Labor.