Wissenschaft: Google DeepMinds AlphaFold 4 sagt Strukturen aller bekannten Transporterproteine voraus
Die neue Version des neuronalen Netzes modellierte die 3D-Form von über 50.000 menschlichen Membrantransportproteinen, die zuvor einer Kristallisation widerstanden. Dies wird die Medikamentenentwicklung für Epilepsie und Krebs beschleunigen, die auf Ionenkanäle abzielen.
Analyseartikel: DeepMind durchbricht die „unkristallisierbare“ Barriere – Was AlphaFold 4 wirklich für die Pharmaindustrie bedeutet
[Das Wesentliche]: Was wirklich passiert
Die Nachricht, dass AlphaFold 4 die Strukturen von 50.000 Membrantransportproteinen vorhergesagt hat, klingt nach einem weiteren Fortschritt in der Computerbiologie. In Wirklichkeit ist es jedoch viel mehr als ein Fortschritt. Es ist der Moment, in dem KI aufhörte, ein „Helfer“ zu sein, und zum einzigen Werkzeug wurde, das in der Lage ist, eine ganze Klasse von Zielmolekülen zu durchschauen, die der klassischen Strukturbiologie jahrzehntelang völlig verschlossen war.
Wir sprechen über SLC-Transporter und Ionenkanäle. Membranproteine machen etwa 60 % aller von der FDA zugelassenen Wirkstoffziele aus, dennoch waren ihre Strukturinformationen stets ein „blinder Fleck“ – weniger als 3 % der bekannten Strukturen fallen in diese Kategorie. Der Grund ist nicht Faulheit der Wissenschaftler, sondern die Physik: Um einen Kristall für die Röntgenkristallographie zu züchten, muss das Protein flach und stabil liegen. Ein Membranprotein, das in einer Fettschicht lebt und ständig seine Form ändert, um Moleküle durch die Membran zu transportieren, ist der schlechteste Kandidat für die Kristallisation.
Was hat AlphaFold 4 getan, was frühere Versionen nicht konnten? Es geht um „Dynamik“. Frühere Versionen, einschließlich des revolutionären AlphaFold 2, sagten eine statische Struktur voraus – eine einzelne „gefaltete“ Form. AlphaFold 4 hingegen scheint gelernt zu haben, Konformationsensembles vorherzusagen (obwohl die Ankündigung „AlphaFold 3“ aus dem Jahr 2024 erwähnt, deutet die Branche auf eine neue Iteration der Multimer-Modellierung hin). Das heißt, für ein Transporterprotein kann es drei Zustände zeigen: nach außen offen, geschlossen (im Komplex mit einem Liganden) und nach innen offen. Ohne das Verständnis dieser Formen (Konformationen) ist es unmöglich, ein Blockermedikament zu entwickeln – man weiß einfach nicht, wo und wie man andocken soll.
Zeitplan und Kontext
Um zu verstehen, warum dies ein Durchbruch ist, erinnern wir uns an die Geschichte einer der profitabelsten Medikamentenklassen – Protonenpumpenhemmer (Omeprazol und seine Nachfolger). Sie wurden in den 80er Jahren „blind“ entwickelt, basierend auf grober Physiologie. Heute, im Zeitalter des gezielten Designs, arbeitet niemand mehr so. Wenn ein Protein nicht fotografiert (kristallisiert) werden konnte, galt es als „undruggable“. SLC-Transporter waren genau ein solcher Friedhof der Hoffnungen.
Wichtige Zeitpunkte: 2020-2021 – AlphaFold 2 verblüffte die Welt, indem es Hunderte Millionen Proteine vorhersagte. Aber Membranproteine blieben die größte Herausforderung. 2023-2024 – das Aufkommen von AlphaFold 3 mit der Fähigkeit, kleine Moleküle und Ionen zu modellieren. Da wurde klar, dass man nicht nur das Protein selbst, sondern auch vorhersagen kann, wie ein Medikament daran bindet.
Jetzt, im Juni 2026, berichtet Google DeepMind über die Fertigstellung einer „titanischen“ Bewertung – die Vorhersage der Strukturen aller bekannten menschlichen Membrantransporter. Es geht nicht um eine hypothetische Entdeckung, sondern um die Vervollständigung der Karte. Diese Ankündigung sollte nicht Twitter-Beifall auslösen, sondern Hinterzimmer-Meetings in den F&E-Abteilungen von Pfizer und Novartis.
Wer gewinnt und wer verliert
Gewinner: In-silico-Biotech. Zum Beispiel Recursion Pharmaceuticals (das bereits KI für phänotypisches Screening einsetzt) und Unternehmen wie Genesis Therapeutics. Sie brauchen keine Screening-Bibliotheken mit Millionen von Verbindungen für „Vermutungen“. Sie können direkt das Andocken an die vorhergesagte Struktur eines Kaliumkanals modellieren.
Gewinner: Akademische Labore. Die Kosten für die kommerzielle Kristallisation eines Membranproteins betragen etwa 150.000–300.000 US-Dollar und 1–2 Jahre Arbeit. Jetzt sind diese Kosten praktisch auf null gesunken. Strukturbiologiezentren, die Verträge zur „Solubilisierung“ schwieriger Targets für die Pharmaindustrie hatten, werden leiden.
Verlierer: Überraschenderweise die Kryo-EM-Technologie. Sie war die Hoffnung der letzten 5 Jahre für Membranproteine, aber die KI ist schneller. Verlierer: Altgediente medizinische Chemiker, die gerne sagten: „Der Computer kann es zeichnen, aber im Reagenzglas funktioniert es nicht.“ Jetzt hat die KI eine Struktur, und die Trefferwahrscheinlichkeit steigt dramatisch.
Was die Medien nicht sagen
Erkenntnis Eins: Das Problem der Lipidumgebung.
Die Medien schreiben „vorhergesagte Struktur“. Aber ein Protein in einer Zelle befindet sich nicht im Vakuum, sondern in einer Membran – einer spezifischen Flüssigkeit mit Cholesterin und spezifischen Lipiden, die seine Form verändern. AlphaFold 4 sagt wahrscheinlich die Proteinstruktur in einem „wässrigen Detergens“ oder einem vereinfachten Modell voraus. Es gab Fälle, in denen ein KI-generiertes Protein, das durch Kristallographie bestätigt wurde, sich in einer lebenden Zelle als nicht funktionsfähig erwies, weil die KI ein regulatorisches Lipidmolekül übersehen hatte, das zwischen Alpha-Helices eingekeilt war. Wenn Sie ein Medikament auf der Grundlage einer „lipidfreien“ Struktur entwickeln, passt es möglicherweise einfach nicht zum nativen Protein.
Erkenntnis Zwei: Orphan-Transporter und Off-Target-Effekte.
Der Mensch hat etwa 450 SLC-Transporter. Viele galten als „uninteressant“, weil ihre Funktion unbekannt war. Jetzt kennen wir ihre Struktur, aber nicht, was sie tun. Große Pharmaunternehmen werden Bibliotheken gegen sie screenen, aktive Moleküle finden und erst in Phase 2 entdecken, dass die Blockade von SLC-48 Nephrotoxizität verursacht – etwas, das unmöglich vorherzusagen war, weil wir die Physiologie dieses Gens nicht kannten. Wir haben einen „Schlüssel“ (Struktur), aber wir wissen nicht, welche Tür wir öffnen. Die klassische Pharmaindustrie ging immer von der Krankheit aus – Mutation in Gen A führt zu Krankheit B. Hier gibt uns die KI eine Struktur ohne Nosologie. Dies wird in 3-4 Jahren eine Welle klinischer Fehlschläge erzeugen.
Erkenntnis Drei: DeepMinds Monopol.
DeepMind veröffentlicht Strukturen im offenen Zugang (AlphaFold Protein Structure Database). Das ist großartig für die Wissenschaft. Aber die KI selbst, die eine Aminosäuresequenz in ein 4D-Modell mit Helices verwandelt, ist Closed Source. DeepMind gibt die genaue neuronale Netzarchitektur nicht preis (normalerweise eine Kombination aus Transformatoren und Diffusionsmodellen). Alle Biotech-Unternehmen sind jetzt an Googles „Nadel“ gebunden. Wenn Google morgen beschließt, den Zugang zu beschränken oder die API-Preise für das Hochdurchsatz-Virtual-Screening zu ändern, wird die gesamte Branche als Geisel genommen.
Prognose: Nächste 30 Tage und 90 Tage
Nächste 30 Tage:
Erwarten Sie eine Flut von Preprints. Innerhalb eines Monats werden mindestens 10 Arbeiten auf bioRxiv erscheinen, in denen Autoren eine „neue Tasche“ auf einem der SLC-Transporter finden. Labore werden beginnen, Hunderte von maßgeschneiderten kleinen Molekülvarianten zu „slicen“. Finanzanalysten werden damit beginnen, die Bewertungen von Unternehmen zu überarbeiten, die auf Stoffwechselkrankheiten spezialisiert sind (wo SLCs eine Schlüsselrolle spielen).
Nächste 90 Tage:
Schlüsselmoment – wird die FDA Leitlinien zur Verwendung von KI-Strukturen als Nachweis des Wirkmechanismus herausgeben? Derzeit verlangen die Aufsichtsbehörden physikalische Daten für die Targetvalidierung. Wenn die FDA AlphaFold 4 als ausreichend anerkennt, um die Targetauswahl zu rechtfertigen, werden 1-2 Jahre präklinischer Arbeit eingespart.
Machen Sie sich auch auf einen Reproduzierbarkeitsskandal gefasst. Jemand wird versuchen, eines der vorhergesagten Proteine (in vitro) zu synthetisieren und das KI-Modell mit Röntgenstrahlen zu verifizieren. Ich bin zuversichtlich, dass der RMSD (Root-Mean-Square Deviation der Atome) für einige komplexe Untereinheiten 1,5 Angström überschreiten wird. Für das chemische Design ist das viel. Eine Welle der Kritik wird aufkommen, dass die KI immer noch „Kritzeleien zeichnet“. Erst später wird sich herausstellen, dass das Protein im Reagenzglas einfach aggregiert ist – ein separates Biophysikproblem, das die KI noch nicht löst.
Haftungsausschluss: Die obige Analyse basiert auf der Logik der KI-Biologieentwicklung der letzten 3 Jahre und Trends, die durch Nature/Science-Publikationen von 2024-2025 gesetzt wurden. Bestimmte Firmennamen und Produkte werden verwendet, um Branchenbeziehungen zu veranschaulichen und spiegeln keine direkten Einblicke aus unveröffentlichten Quellen wider.
— Editorial Team
