AlphaFold DB: Wie KI 200 Millionen Proteine vorhersagte

Erstmaliger Einsatz künstlicher Intelligenz zur Vorhersage der Struktur aller bekannten Proteine (AlphaFold DB)

Google DeepMind und EMBL-EBI haben eine Datenbank mit über 200 Millionen vorhergesagten Proteinstrukturen befüllt und damit die Arzneimittelentwicklung und das Verständnis molekularer Krankheitsmechanismen radikal beschleunigt.

---

Einleitung

Im Jahr 2020, auf der CASP14-Konferenz (Critical Assessment of protein Structure Prediction), ereignete sich etwas, worauf Biologen und Pharmakologen fast ein halbes Jahrhundert gewartet hatten. Google DeepMinds AlphaFold 2 sagte die dreidimensionale Struktur von Proteinen aus ihren Aminosäuresequenzen mit einer Genauigkeit voraus, die mit experimentellen Methoden vergleichbar war. Dies wurde als „Lösung des 50-jährigen Proteinstrukturproblems“ gefeiert.

Zwei Jahre später, im Juli 2022, gingen DeepMind und das Europäische Bioinformatik-Institut EMBL-EBI den nächsten Schritt, der nicht weniger bedeutend war als der wissenschaftliche Durchbruch selbst. Sie eröffneten den freien Zugang zur AlphaFold Protein Structure Database (AlphaFold DB), die über 200 Millionen vorhergesagte Proteinstrukturen enthält – praktisch alle Proteine, die der Wissenschaft aus dem UniProt-Katalog bekannt sind.

Im Jahr 2024 wurde der Durchbruch mit dem Nobelpreis für Chemie gekrönt, der an Demis Hassabis und John Jumper verliehen wurde. Und bereits in den Jahren 2025–2026 erlebte die Welt, wie sich Strukturvorhersagen in echte Medikamente verwandeln, die in klinische Studien gehen. Dieser Artikel handelt davon, wie eine einzige Datenbank die Landschaft der biomedizinischen Wissenschaft radikal verändert hat.

Veranstaltungsdetails und Zeitplan

Phase 1: Revolution in der Vorhersage (2020)

Auf der CASP14 erreichte AlphaFold 2 einen medianen GDT-Score (ein Maß für die Vorhersagegenauigkeit) von über 90 %, was von Experten als äquivalent zur experimentellen Auflösung angesehen wurde. Das bedeutete, dass eine Proteinstruktur von nun an in Stunden statt in Monaten oder Jahren Laborarbeit bestimmt werden konnte.

Phase 2: Erstellung der Datenbank (2021–2022)

Im Jahr 2021 starteten DeepMind und EMBL-EBI die erste Version der AlphaFold DB mit 350.000 Strukturen für 20 biologisch bedeutsame Organismen. Die zweite Veröffentlichung erweiterte die Sammlung auf fast eine Million Modelle.

Der entscheidende Moment kam am 28. Juli 2022. EMBL-EBI kündigte eine Veröffentlichung an, die die Datenbank von weniger als einer Million auf 214.684.311 vorhergesagte dreidimensionale Strukturen erhöhte. Wie EMBL-EBI-Vizedirektor Ewan Birney damals sagte: „Von heute an hat sich die Datenbank von einer Million auf über 200 Millionen Strukturen erweitert und deckt fast das gesamte UniProt ab.“

Phase 3: AlphaFold 3 und darüber hinaus (2024–2025)

Im Mai 2024 veröffentlichten DeepMind und Isomorphic Labs AlphaFold 3. Das neue System ging über einzelne Proteine hinaus – es lernte, die Struktur von Komplexen aus DNA, RNA, Ionen, Liganden und posttranslationalen Modifikationen vorherzusagen. Im PoseBusters-Test (Bewertung der Genauigkeit von Protein-Ligand-Bindungen) zeigte AlphaFold 3 eine 50%ige Verbesserung gegenüber den besten traditionellen Methoden.

Phase 4: Anerkennung und erste Medikamente (2024–2026)

Im Oktober 2024 erhielten Hassabis und Jumper den Nobelpreis. Und im April 2026 gab Max Jaderberg, Präsident von Isomorphic Labs, auf der WIRED Health-Konferenz bekannt: Das Unternehmen bereitet die ersten KI-entworfenen Medikamente für klinische Studien am Menschen vor.

Auswirkungen und Bedeutung

Für die wissenschaftliche Welt

Die AlphaFold DB hat die Arbeitsweise von Strukturbiologen grundlegend verändert:

• Umfang: Über 3 Millionen Forscher aus 190 Ländern haben die Datenbank genutzt, darunter über eine Million Wissenschaftler aus Ländern mit niedrigem und mittlerem Einkommen.
• Geschwindigkeit der Entdeckung: Forscher, die AlphaFold nutzen, sind 40 % aktiver bei der Veröffentlichung neuer experimenteller Strukturen, und diese Strukturen befinden sich häufiger in bisher unerforschten Bereichen.
• Zitationswirkung: Arbeiten im Zusammenhang mit AlphaFold werden in klinischen Artikeln doppelt so häufig zitiert wie typische strukturbiologische Arbeiten.

Beispiele für reale Anwendungen sind beeindruckend:

• In Europa half AlphaFold, die Struktur des Vitellogenin-Proteins bei Honigbienen zu verstehen – dies wird in Programmen zur Rettung gefährdeter Populationen eingesetzt.
• Jahrelang konnten Wissenschaftler die Struktur von Apolipoprotein B100, einem Schlüsselprotein des „schlechten“ Cholesterins (LDL), nicht ermitteln. AlphaFold 2 enthüllte seine komplexe „zelluläre“ Form und gab Pharmakologen eine atomare Blaupause für die Entwicklung neuer Therapien gegen Arteriosklerose.
• Türkische Bachelor-Studenten ohne vorherige Ausbildung in Strukturbiologie lernten aus AlphaFold-Tutorials und veröffentlichten anschließend 15 wissenschaftliche Arbeiten.

Für die Pharmaindustrie

AlphaFold wurde zum Katalysator für die Wirkstoffforschung:

• Etwa 40 % der neuen Strukturen, die von 2024 bis 2025 in der Proteindatenbank (PDB) hinterlegt wurden, wurden mit KI-Methoden gewonnen.
• Isomorphic Labs, ein Spin-off von DeepMind, sammelte 600 Millionen US-Dollar an Investitionen und ging Partnerschaften mit Eli Lilly und Novartis ein.
• Es wurde eine proprietäre Engine, IsoDDE, entwickelt, die laut Unternehmen die Genauigkeit von AlphaFold 3 im Wirkstoffdesign mehr als verdoppelt.

Für die Gesellschaft

Das Hauptversprechen von AlphaFold ist die Beschleunigung der Entwicklung von Medikamenten gegen schwer behandelbare Krankheiten. „Die von uns entwickelten Moleküle sind hochwirksam, können in niedrigeren Dosen eingenommen werden und haben weniger Nebenwirkungen“, sagte Jaderberg. Die Mission von Isomorphic Labs, die als „alle Krankheiten heilen“ formuliert ist, wirkt nicht länger wie Science-Fiction.

Allerdings warnen Forscher der University of Illinois: „AlphaFold sagt die Struktur voraus, aber nicht die Proteinfunktion oder ihr Verhalten in einer lebenden Zelle. Es wurden noch keine KI-basierten Medikamente entwickelt; von der Idee bis zur Klinik ist es ein langer Weg.“

Reaktionen der Hauptakteure

Google DeepMind und die wissenschaftliche Gemeinschaft. Für DeepMind war dies der Hauptbeweis dafür, dass KI die Grundlagenforschung vorantreiben kann. Das Team entwickelt weiterhin verwandte Modelle: AlphaMissense und AlphaGenome für Mutationsanalysen, AlphaProteo für das Design von Proteinbindern gegen Krebs und Diabetes.

Verlage und Datenbanken. Paradoxerweise führte der Erfolg der AlphaFold DB zu einem „Datenalterungsproblem“. Da die Datenbank seit 2022 nicht aktualisiert wurde, während die UniProt-Bibliothek weiter bearbeitet und verfeinert wird, sind Diskrepanzen aufgetreten. Bis Juni 2025 widersprachen von 20.504 menschlichen Strukturen in der AlphaFold DB 631 dem aktuellen UniProt-Eintrag. Bei der Maus betrugen die Abweichungen 2,4 %, und beim Zebrafisch aufgrund einer massiven Proteombereinigung fast 43 %. Die Zeitschrift Nature Structural & Molecular Biology warnt direkt: Forscher müssen die neuesten Sequenzversionen überprüfen.

Kritiker. Der amerikanische Wissenschaftler Sarfraz Niazi argumentiert in mehreren Veröffentlichungen (darunter eine von Nature angenommene), dass der Nobelpreis für AlphaFold 2 voreilig verliehen wurde. Seiner Ansicht nach kann das Modell die Struktur für eine völlig neue Aminosäuresequenz nicht vorhersagen und spiegelt nicht die Proteindynamik unter physiologischen Bedingungen wider. Obwohl viele Kollegen die Kategorisierung seiner Schlussfolgerungen bestreiten, unterstreicht die bloße Tatsache der Debatte, dass KI in der Biologie erst am Anfang ihrer Reise steht.

Prognose und Schlussfolgerungen

Was wir Stand 2026 haben:

• Eine Datenbank mit über 200 Millionen Strukturen, die den Ansatz zur Lösung von Problemen von der Landwirtschaft bis zur Kardiologie verändert.
• Ein Nobelpreis, der KI als vollwertige Methode in Chemie und Biologie legitimiert.
• Die ersten KI-entworfenen Moleküle, die sich auf klinische Studien am Menschen vorbereiten.

Hauptherausforderungen:

• Datenbankaktualisierung. Die AlphaFold DB benötigt eine Version 2.0 mit Echtzeitsynchronisation mit UniProt, sonst sinkt der Wert der Ressource.
• Von der Vorhersage zum Medikament. Der Prozentsatz der KI-Designs, die alle drei Phasen klinischer Studien bestehen werden, ist noch unbekannt. Die Geschichte kennt viele vielversprechende Technologien, die an der Realität des menschlichen Körpers gescheitert sind.
• Dynamik und multiple Zustände. AlphaFold 3 hat immer noch Schwierigkeiten, konformationelle Übergänge von Proteinen vorherzusagen und kann in unstrukturierten Regionen „halluzinieren“.

Fazit: Die AlphaFold DB ist nicht das Ende der Strukturbiologie, sondern ihr Neuanfang. Experimente (Kristallographie, NMR, Kryo-Elektronenmikroskopie) sind nicht verschwunden. Im Gegenteil, in den Jahren 2025–2026 verzeichnet die PDB eine Rekordzahl neuer experimentell bestätigter Strukturen – teilweise weil KI Biologen hilft, die vielversprechendsten Ziele auszuwählen. Was wir erleben, ist nicht die Ersetzung des Labors durch den Computer, sondern die Vervielfachung der menschlichen Intelligenz durch maschinelle Fähigkeiten. Und wenn die Prognosen von Isomorphic Labs richtig sind, werden wir in den nächsten 5–10 Jahren die ersten Medikamente sehen, die aus digitalen Vorhersagen hervorgegangen sind.

— Editorial Team