AlphaFold ist das bahnbrechende KI-System von Google DeepMind, das die dreidimensionale Struktur von Proteinen aus ihrer Aminosäuresequenz vorhersagt. Es hat eines der ältesten und wichtigsten ungelösten Probleme der Biologie – das „Protein-Folding-Problem“ – praktisch gelöst und strukturelle Biologie grundlegend verändert.
Kurze Geschichte
- AlphaFold 1 (CASP13, 2018): Erste starke Ergebnisse mit neuronalen Netzen und Koevolutionsinformationen.
- AlphaFold 2 (CASP14, 2020): Durchbruch. Median-Genauigkeit nahe experimenteller Methoden (GDT-Score oft >90). Nature-Paper 2021, Code und Gewichte offen. 2021/2022 Veröffentlichung der AlphaFold Protein Structure Database mit über 200 Millionen vorhergesagten Strukturen – praktisch dem gesamten bekannten Proteom.
- AlphaFold 3 (Mai 2024): Erweitert die Vorhersage auf Komplexe aus Proteinen, DNA, RNA, Liganden (z. B. Medikamente), Ionen und chemisch modifizierten Resten. Neue Architektur (Pairformer + Diffusionsmodell). Kostenloser Server für akademische Nutzung; Inference-Code und Gewichte später für nicht-kommerzielle Forschung freigegeben.
- Nobelpreis für Chemie 2024: Demis Hassabis und John Jumper (Hälfte des Preises) für die Strukturvorhersage; die andere Hälfte ging an David Baker für computergestütztes Proteindesign.
Wie funktioniert es (vereinfacht)?
Proteine falten sich in eine spezifische 3-D-Form, die ihre Funktion bestimmt. Experimentelle Methoden (Röntgenkristallografie, Kryo-EM, NMR) sind teuer und dauern Monate bis Jahre.
- AlphaFold 2 nutzt Multiple Sequence Alignments (evolutionär verwandte Sequenzen), um Koevolutionsmuster zu erkennen. Ein spezieller Transformer-Block („Evoformer“) verarbeitet diese Informationen und erzeugt daraus atomgenaue Koordinaten.
- AlphaFold 3 geht weiter: Es modelliert mehrere Molekülarten gleichzeitig und erzeugt die Atompositionen direkt über ein Diffusionsmodell (ähnlich wie bei Bildgeneratoren). Dadurch kann es Interaktionen vorhersagen, die für Wirkstoffdesign und molekulare Maschinen entscheidend sind.
Die Modelle liefern neben der Struktur auch Konfidenzmaße (pLDDT, PAE), die anzeigen, wie zuverlässig einzelne Bereiche sind.
Auswirkungen
- Strukturen, die früher Jahre kosteten, stehen heute in Minuten bis Stunden zur Verfügung.
- Die öffentliche Datenbank wird von Millionen Forschern weltweit genutzt und hat die strukturelle Abdeckung des Proteoms dramatisch erhöht.
- Beschleunigung in der Wirkstoffforschung, Enzym-Engineering, Verständnis von Krankheiten und synthetischer Biologie.
- Zusammen mit generativen Modellen (z. B. RFdiffusion, ProteinMPNN) ermöglicht AlphaFold den Übergang von „Struktur vorhersagen“ zu „neue Proteine und Komplexe designen“.
Grenzen
- Vorhersagen tendieren zu einer statischen „Grundzustands“-Konformation. Dynamik, alternative Faltungen und Ensembles werden schlecht oder gar nicht abgebildet.
- Intrinsisch ungeordnete Regionen (ca. 30–40 % des menschlichen Proteoms) bleiben schwierig.
- Bei Proteinen mit sehr wenigen verwandten Sequenzen (schlechte MSA), sehr großen Komplexen oder manchen Ligand-Interaktionen sinkt die Genauigkeit.
- AlphaFold 3 hat gelegentlich Stereochemie-Probleme bei Liganden und ist bei manchen neuartigen Interaktionen noch nicht so robust wie spezialisierte Docking-Tools.
- Die kommerzielle Weiterentwicklung läuft stark über Isomorphic Labs (Alphabet); die offene Nutzung von AlphaFold 3 ist eingeschränkter als bei AlphaFold 2.
Aktueller Stand (2026)
Das dedizierte AlphaFold-Team bei DeepMind wurde weitgehend aufgelöst bzw. umstrukturiert. Viele Forscher wechselten zu anderen Projekten (u. a. Gemini-bezogene Systeme) oder verließen das Unternehmen (darunter John Jumper zu Anthropic). Die AlphaFold-Datenbank und der Server bleiben jedoch verfügbar und werden weiter gepflegt. Parallel entstehen offene Alternativen und Erweiterungen (z. B. verbesserte ESMFold-Varianten, die Milliarden von Strukturen abdecken).
Einordnung im Kontext von KI und synthetischer Biologie
AlphaFold liefert die strukturelle Dimension, während Modelle wie Evo/Evo 2 die Sequenz- und Genom-Ebene beherrschen. Zusammen bilden sie ein mächtiges Werkzeugset: Man kann Genome oder Proteine generieren (Evo), deren Faltung und Interaktionen vorhersagen (AlphaFold) und anschließend experimentell testen oder weiter optimieren. Das ist ein zentraler Baustein auf dem Weg zu KI-gestützter synthetischer Biologie und letztlich zur Konstruktion neuer biologischer Systeme.
AlphaFold hat die Strukturbiologie von einem Engpass zu einer Routineaufgabe gemacht – vergleichbar damit, wie Evo die Generierung ganzer Genome möglich macht. Beide Systeme zeigen, wie KI die Grenzen dessen verschiebt, was in der Biologie „machbar“ ist.
