ProteinMPNN
ProteinMPNN ist ein KI-Modell, das für eine vorgegebene dreidimensionale Proteinstruktur eine passende Aminosäuresequenz entwirft. Es ist ein zentrales Werkzeug im Bereich des Proteindesigns und beschleunigt die Entwicklung neuer Wirkstoffe und Biomaterialien erheblich.
Proteine sind die Maschinen des Lebens. Sie bestehen aus langen Ketten von Bausteinen, den Aminosäuren, und falten sich in eine bestimmte dreidimensionale Form. Diese Form bestimmt, was ein Protein tut. ProteinMPNN dreht die Frage um: Gegeben eine gewünschte Form — welche Abfolge von Aminosäuren würde diese Form erzeugen? Das Modell wurde 2022 von Forschern am Institut Baker Lab der University of Washington veröffentlicht und liefert in Sekunden Vorschläge, für die ein Biochemiker früher Wochen gebraucht hätte.
Bedeutung für Medizin und Biotechnologie
Neue Proteine zu entwerfen ist eine der wichtigsten Aufgaben der modernen Biologie. Maßgeschneiderte Proteine können als Medikamente wirken, Impfstoffe verbessern oder neue Materialien bilden. Das Problem: Der klassische Weg war mühsam. Forscher mussten Aminosäuresequenzen per Hand anpassen, im Labor herstellen und dann testen, ob sie sich tatsächlich wie gewünscht falten.
ProteinMPNN verkürzt diesen Prozess drastisch. Es schlägt automatisch Sequenzen vor, die mit hoher Wahrscheinlichkeit funktionieren. Das bedeutet nicht, dass der Labortest entfällt — aber man testet zehn vielversprechende Kandidaten statt hundert Zufallstreffer. In der Praxis haben Teams mit ProteinMPNN bereits neuartige Proteine entworfen, die im Experiment tatsächlich die gewünschte Struktur angenommen haben.
Wie ProteinMPNN eine Sequenz berechnet
Das Modell bekommt als Eingabe die genauen Koordinaten der Atome einer Zielstruktur. Es behandelt das Protein als Netzwerk: Jede Aminosäureposition ist ein Knoten, nahe beieinanderliegende Positionen sind durch Kanten verbunden. Das Modell lässt dann Informationen über diese Kanten wandern — daher der Name Message Passing, also « Nachrichten weitergeben ».
In mehreren Runden sammelt jeder Knoten Informationen seiner Nachbarn und aktualisiert seinen eigenen Zustand. Am Ende sagt das Modell für jede Position, welche der zwanzig möglichen Aminosäuren dort am besten passt. Es geht dabei nicht nacheinander vor, sondern berücksichtigt das gesamte dreidimensionale Umfeld gleichzeitig. Ein wichtiger Unterschied zu älteren Methoden: ProteinMPNN arbeitet direkt auf der Geometrie im Raum, nicht auf einer vereinfachten zweidimensionalen Darstellung.
Ein häufiges Missverständnis ist, ProteinMPNN mit AlphaFold zu verwechseln. AlphaFold geht den umgekehrten Weg: Es nimmt eine Sequenz und sagt vorher, welche Form sie annimmt. ProteinMPNN geht vom gewünschten Ergebnis aus und entwirft eine passende Sequenz. Beide Modelle ergänzen sich und werden in der Forschung oft gemeinsam eingesetzt.
ProteinMPNN in Forschung und Industrie
ProteinMPNN ist frei verfügbar und wird weltweit in Universitätslaboren genutzt. Es ist Teil einer größeren Werkzeugkette für das sogenannte de-novo-Proteindesign — also das Entwerfen von Proteinen, die in der Natur gar nicht vorkommen. Das Baker Lab, das auch hinter dem Tool RoseTTAFold steckt, hat mit ProteinMPNN mehrere Arbeiten veröffentlicht, bei denen völlig neuartige Proteinstrukturen im Labor bestätigt wurden.
In der Pharmaindustrie wächst das Interesse an solchen Modellen, weil sie die frühe Phase der Wirkstoffforschung beschleunigen. Wer schneller prüfen kann, ob ein Protein als Kandidat taugt, spart Zeit und Geld. Auch im Bereich der Impfstoffentwicklung — etwa für Impfstoffe, die auf maßgeschneiderten Proteinhüllen basieren — wird ProteinMPNN bereits erprobt.
Für die breitere Öffentlichkeit wurde ProteinMPNN vor allem im Kontext des Nobelpreises 2024 sichtbar. David Baker, Leiter des Baker Labs, erhielt den Nobelpreis für Chemie unter anderem für Arbeiten zum Computerdesign von Proteinen — wozu ProteinMPNN einen wesentlichen Beitrag leistete.