AlphaFold: Wie KI die Proteinstrukturvorhersage revolutioniert

Foto: Anirudh auf Unsplash

Die Vorhersage von Proteinstrukturen galt über 50 Jahre als eines der großen ungelösten Probleme der Biologie. Mit AlphaFold hat DeepMind nun einen Durchbruch erzielt, der die Strukturbiologie nachhaltig verändern wird. In diesem Artikel erfahren Sie, wie die KI-Methode funktioniert, welche Ergebnisse sie im CASP14-Wettbewerb erzielt hat und warum dies für die medizinische Forschung und Arzneimittelentwicklung von großer Bedeutung ist.

Die Herausforderung: Proteinstrukturen verstehen

Proteine sind die molekularen Maschinen des Lebens. Ihre Funktion hängt entscheidend von ihrer dreidimensionalen Struktur ab. Bislang wurden die Strukturen von rund 100.000 Proteinen experimentell bestimmt – ein winziger Bruchteil der Milliarden bekannter Proteinsequenzen. Methoden wie Röntgenkristallographie oder Kryo-Elektronenmikroskopie sind zeitaufwendig und teuer; eine einzige Struktur kann Monate bis Jahre dauern. Hier setzt die computergestützte Vorhersage an: Ziel ist es, aus der Aminosäuresequenz die native Faltung zu berechnen.

AlphaFold: Ein neuer Ansatz mit Deep Learning

AlphaFold, entwickelt von DeepMind, ist ein neuronales Netzwerk, das physikalisches und biologisches Wissen über Proteinstrukturen integriert. Die entscheidende Neuerung ist die Verwendung von Multi-Sequenz-Alignments (MSAs), die evolutionäre Informationen liefern. Das Modell besteht aus zwei Hauptkomponenten:

• Evoformer-Blöcke: Sie verarbeiten die MSA-Informationen und eine Paar-Repräsentation, die Wechselwirkungen zwischen Aminosäuren abbildet.
• Strukturmodul: Es erzeugt aus den gelernten Repräsentationen die endgültige 3D-Struktur mittels einer neuartigen Invariant Point Attention (IPA).

Diese Architektur ermöglicht es AlphaFold, Proteinstrukturen mit atomarer Genauigkeit vorherzusagen – selbst wenn keine homologe Struktur bekannt ist.

Überragende Ergebnisse im CASP14-Wettbewerb

Im 14. Critical Assessment of protein Structure Prediction (CASP14) trat AlphaFold gegen 146 andere Methoden an. Die Ergebnisse waren bahnbrechend:

• Mediane Genauigkeit: Der Median der globalen Distanz-Test (GDT) lag bei über 90%, was experimentellen Strukturen nahekommt.
• Verbesserung gegenüber bisherigen Methoden: Der Abstand zu den zweitbesten Teilnehmern war deutlich – AlphaFold erreichte in den meisten Fällen atomare Genauigkeit.
• Beispiele: Für das Target T1049 (6Y4F) lag die Vorhersage nahezu deckungsgleich mit der experimentellen Struktur; bei T1056 (6YJ1) wurde sogar eine Zink-Bindungsstelle korrekt modelliert.

„AlphaFold ist ein Meilenstein, der die Strukturbiologie revolutionieren wird. Die Genauigkeit ist so hoch, dass viele Vorhersagen direkt als Modelle für weitere Experimente dienen können.“ – Kommentar in Nature, August 2021.

Bedeutung für Forschung und Medizin

Die Fähigkeit, Proteinstrukturen schnell und präzise vorherzusagen, eröffnet neue Möglichkeiten:

• Wirkstoffdesign: Zielstrukturen können ohne aufwendige Experimente modelliert werden.
• Krankheitsverständnis: Mutationen, die Proteinfaltung beeinflussen, werden sichtbar.
• Enzymdesign: Maßgeschneiderte Enzyme für industrielle Prozesse werden berechenbar.

AlphaFold wurde als Open-Source-Tool und Datenbank mit über 200 Millionen vorhergesagten Strukturen veröffentlicht – ein enormer Schatz für die gesamte biomedizinische Gemeinschaft.

FAQ

Was ist der Unterschied zu früheren Methoden? Frühere Verfahren wie Rosetta oder I-TASSER erzielten oft nur bei Vorhandensein einer verwandten Struktur gute Ergebnisse. AlphaFold hingegen liefert atomare Genauigkeit auch für Proteine ohne bekannte Homologe.

Wie lange dauert eine Vorhersage? Mit entsprechender Hardware (z.B. TPUs) kann AlphaFold eine typische Proteinstruktur in wenigen Stunden berechnen. Die MSA-Erstellung ist der zeitaufwendigste Schritt.

Ist AlphaFold fehlerfrei? Nein, aber die Fehlerrate ist gering. Das Modell liefert zudem Konfidenzwerte (pLDDT), die anzeigen, wie verlässlich einzelne Regionen sind.

Fazit

AlphaFold hat das Protein-Problem gelöst – zumindest für einzelne Ketten. Die KI-Methode setzt neue Maßstäbe in der Strukturbiologie und zeigt, wie Deep Learning komplexe biophysikalische Fragestellungen bewältigen kann. Für IT-Entscheider ist dies ein Paradebeispiel dafür, wie KI in der Lage ist, jahrzehntealte Herausforderungen zu meistern und gleichzeitig neue Anwendungsfelder zu erschließen.

Quellen

• Jumper, J. et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589. (https://pubmed.ncbi.nlm.nih.gov/34265844/)
• AlQuraishi, M. (2021). Protein-structure prediction revolutionized. Nature, 596, 487–488. (https://pubmed.ncbi.nlm.nih.gov/34426694/)
• DeepMind. (2021). AlphaFold: a solution to a 50-year-old grand challenge in biology. (https://deepmind.google/discover/blog/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology/)