AlphaFold & das Proteinfaltungsproblem

Im Juli 2021 veröffentlichte DeepMind in Nature AlphaFold 2. Der Aufsatz beschrieb ein neuronales Netz, das die dreidimensionale Struktur eines Proteins allein aus seiner Aminosäuresequenz mit nahezu experimenteller Genauigkeit vorhersagen konnte. Das Problem der Proteinfaltung — bisweilen die Grand Challenge der Biologie genannt — galt seit über fünfzig Jahren als ungelöst; der Fortschritt wurde an den CASP-Benchmarks seit 1994 in Bruchteilen eines Ångströms pro Jahrzehnt gemessen, und AlphaFold 2 sprang in einem einzigen Jahr eine Generation weiter (CASP14, 2020). DeepMind stellte Vorhersagen für nahezu jedes bekannte Protein, über 200 Millionen Einträge, in einer offenen Datenbank bereit. Den Nobelpreis für Chemie 2024 erhielten gemeinsam Demis Hassabis und John Jumper (für AlphaFold) sowie David Baker (für De-novo-Proteindesign).

Die Aufgabe der Proteinfaltung lautet, allein aus einer linearen Aminosäuresequenz die dreidimensionale Struktur vorherzusagen, in die das Protein in wässriger Lösung zusammenfällt. Sie ist wichtig, weil Funktion der Struktur folgt — Enzyme katalysieren über die Geometrie ihrer aktiven Zentren, Antikörper erkennen Antigene über komplementäre Form, Membrankanäle steuern Ionen durch Konformationswechsel. Schwer war das Problem aus dem Grund, den Cyrus Levinthal 1969 herausstellte: der Konformationsraum ist astronomisch, ein Hundert-Reste-Protein erlaubt rund 10⁶⁰ Anordnungen, und doch finden reale Proteine in Sekunden einen einzigen tiefen Energiezustand. Zufallssuche kann es nicht sein; tatsächlich kollabiert die Faltung kooperativ auf trichterförmigen Energielandschaften, und die Theorie kam über fünf Jahrzehnte nur in Bruchteilen eines Ångströms pro CASP-Biennium voran. Was AlphaFold 2 änderte, war die Eingabe. Ein transformerbasiertes Netz, trainiert an den rund 170.000 experimentell gelösten Strukturen der Protein Data Bank, bekam zweierlei zugleich: die Zielsequenz und ein Multiple Sequence Alignment evolutionär verwandter Sequenzen aus dem gesamten Leben. Das Alignment ist der Schlüssel. Reste, die über homologe Proteine hinweg gemeinsam evolvieren — deren Mutationen also zwischen Arten korreliert sind —, liegen in der gefalteten Struktur fast immer räumlich beieinander; die Evolution erhält den Kontakt, weil eine Mutation an der einen Stelle durch eine kompensierende an der anderen ausgeglichen wird. AlphaFolds Evoformer zieht dieses evolutionäre Signal als implizite Kontaktinformation heraus und führt es einem Strukturmodul zu, das die dreidimensionalen Koordinaten iterativ verfeinert. Im CASP14-Benchmark von 2020 lag die mediane Genauigkeit bei rund einem Ångström — innerhalb des kristallographischen Messfehlers für viele Proteine — und sprang damit eine Generation in einem Jahr. AlphaFold 3 erweiterte das Modell 2024 um einen diffusionsbasierten generativen Kopf, der Protein-Ligand-, Protein-DNA- und Protein-RNA-Komplexe vorhersagen kann. Grenzen bleiben — AlphaFold sagt einen einzigen wahrscheinlichsten Zustand voraus statt eines Konformationsensembles —, doch aus einer fünfzigjährigen Grand Challenge ist ein funktionierendes Werkzeug geworden.