AlphaFold & das Proteinfaltungsproblem

Im Juli 2021 stellte DeepMind in Nature AlphaFold 2 vor: ein neuronales Netz, das die dreidimensionale Struktur eines Proteins allein aus dessen Aminosäuresequenz mit nahezu experimenteller Genauigkeit vorhersagt. Das Proteinfaltungsproblem — bisweilen die große Herausforderung der Biologie genannt — stand da schon über fünfzig Jahre ungelöst; in den CASP-Vergleichen seit 1994 maß sich der Fortschritt in Bruchteilen eines Ångströms pro Jahrzehnt, und AlphaFold 2 sprang in einem einzigen Jahr eine ganze Generation weit (CASP14, 2020). DeepMind stellte die Vorhersagen für nahezu jedes bekannte Protein — über 200 Millionen Einträge — in einer öffentlichen Datenbank bereit. Den Chemie-Nobelpreis 2024 erhielten gemeinsam Demis Hassabis und John Jumper (für AlphaFold) sowie David Baker (für De-novo-Proteindesign).

Die Aufgabe der Proteinfaltung lautet: aus einer linearen Kette von Aminosäuren allein die dreidimensionale Struktur vorherzusagen, in die das Protein zusammenfällt, sobald man es ins Wasser entlässt. Sie ist wichtig, weil die Funktion der Struktur folgt — Enzyme katalysieren über die Geometrie ihrer aktiven Zentren, Antikörper erkennen Antigene über die komplementäre Form, Membrankanäle steuern Ionen über Konformationswechsel. Schwer war sie aus dem Grund, den Cyrus Levinthal 1969 benannte: Der Konformationsraum ist astronomisch groß — ein Protein aus hundert Resten lässt rund 10⁶⁰ Anordnungen zu —, und trotzdem finden reale Proteine in Sekunden einen einzigen energiearmen Zustand. Zufälliges Suchen kann die Antwort nicht sein; der wirkliche Faltungsweg verläuft über einen kooperativen Kollaps auf trichterförmigen Energielandschaften. Schon vor CASP14 verbesserten sich die Vorhersageverfahren schrittweise; CASP14 markierte dann einen deutlich größeren Sprung. AlphaFold 2 änderte 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 multiples Sequenzalignment evolutionär verwandter Sequenzen aus dem gesamten Leben. Das Alignment ist der Schlüssel. Reste, die über homologe Proteine hinweg gemeinsam evolvieren — deren Mutationen also über Arten hinweg korreliert sind —, liegen in der gefalteten Struktur fast immer nahe beieinander, weil die Evolution den Kontakt bewahrt: Mutiert der eine Rest, gleicht eine Mutation des Partners das aus. AlphaFolds Evoformer holt dieses evolutionäre Signal als implizite Kontaktinformation heraus und übergibt es einem Strukturmodul, das die räumlichen Koordinaten Schritt für Schritt verfeinert. Im CASP14-Vergleich von 2020 lag die mediane Genauigkeit bei rund einem Ångström — für viele Proteine innerhalb des kristallographischen Messfehlers —, ein Generationensprung in einem einzigen Jahr. 2024 ergänzte AlphaFold 3 das Modell um einen diffusionsbasierten generativen Kopf, der auch Protein-Ligand-, Protein-DNA- und Protein-RNA-Komplexe vorhersagen kann. Grenzen bleiben: AlphaFold liefert einen einzigen wahrscheinlichsten Zustand, kein Konformationsensemble. Aus der großen Herausforderung von fünfzig Jahren ist trotzdem ein Arbeitswerkzeug geworden.