Wie AlphaFold den Kampf gegen Superkeime neu schreibt

Drei Millionen Forscher in 190 Ländern nutzen AlphaFold, das KI-System das 2020 das Proteinfaltungsproblem löste und 2024 den Nobelpreis für Chemie erhielt. Was lange wie ein akademischer Meilenstein wirkte, wird jetzt zur klinischen Realität: Die Zahl eingereichter experimenteller Proteinstrukturen ist seit der Einführung um mehr als 40 Prozent gestiegen und Publikationen die auf AlphaFold aufbauen werden doppelt so häufig in klinischen Studien zitiert wie typische Arbeiten der Strukturbiologie. Der nächste Schritt ist der wichtigste: Noch in diesem Jahr sollen erste Patienten mit Wirkstoffen behandelt werden die mithilfe von AlphaFold entwickelt wurden.

Vom Faltungsproblem zum Nobelpreis: Was AlphaFold berechnet

Proteine sind die Bauteile und Maschinen aller Lebensprozesse: Enzyme, Hormone, Antikörper, Strukturmoleküle. Ihre Funktion hängt von ihrer dreidimensionalen Struktur ab, die sich aus einer linearen Aminosäuresequenz in Sekundenbruchteilen zusammenfaltet. Dieses Faltungsproblem galt Jahrzehnte als eine der schwierigsten offenen Fragen der Biologie. Traditionelle Methoden wie die Röntgenkristallographie oder Kryo-Elektronenmikroskopie sind präzise, aber extrem aufwendig: Für eine einzige Struktur können Forscher Monate bis Jahre im Labor verbringen.

AlphaFold, entwickelt von Google DeepMind, löste das Problem 2020 mit neuronalen Netzen, die auf der Evolutionsgeschichte von Proteinen trainiert wurden. Die Grundlogik: Ähnliche Funktionen erzeugen ähnliche Strukturen und Millionen Jahre Evolution haben diese Zusammenhänge in Genomdaten eingeschrieben. 2022 veröffentlichte DeepMind eine Datenbank mit Vorhersagen für mehr als 200 Millionen Proteinstrukturen, nahezu alle bekannten Proteine aller bekannten Lebewesen. John Jumper und DeepMind-Chef Demis Hassabis erhielten 2024 den Nobelpreis für Chemie für AlphaFold. Im Mai 2026 erweiterte DeepMind die Datenbank um Proteinkomplexe: Vorhersagen darüber, wie unterschiedliche Proteine miteinander interagieren, für die Medikamentenentwicklung mindestens so relevant wie die Struktur einzelner Moleküle.

Messbar: 40 Prozent mehr Strukturen, doppelt so viel Klinik-Relevanz

Laut einer unabhängigen Analyse des Innovation Growth Lab zeigt sich der Effekt bereits in Publikationsdaten. Forscher, die AlphaFold nutzen, reichen mehr als 40 Prozent mehr neue experimentelle Proteinstrukturen ein als Kollegen ohne das Werkzeug. Der Mechanismus: AlphaFold liefert Hinweise, welche Strukturen besonders interessant für experimentelle Verifikation sind und spart damit erhebliche Laborarbeit. Mehr als 35.000 Publikationen zitieren AlphaFold insgesamt, über 200.000 Arbeiten haben Methoden aus AlphaFold 2 in ihre Studien eingebaut.

Noch relevanter ist ein zweiter Befund aus derselben Analyse: Publikationen, die auf AlphaFold-Strukturen aufbauen werden doppelt so häufig in klinischen Studien zitiert wie typische Arbeiten der Strukturbiologie. Das ist ein messbares Signal dafür, dass der Transfer von der Grundlagenforschung in die medizinische Praxis schneller funktioniert als zuvor. Einschränkend gilt: Für bestimmte Proteintypen, etwa intrinsisch ungeordnete Proteine, sind AlphaFold-Vorhersagen weniger zuverlässig. Und AlphaFold liefert statische Strukturen. Wie ein Protein seine Form ändert, wenn ein Wirkstoff bindet, also die Dynamik, die für die Medikamentenwirkung oft entscheidend ist, erfasst das System nur begrenzt.

Zehn Jahre Forschung, 30 Minuten AlphaFold

Das konkreteste Beispiel für die praktische Wirkung kommt aus Colorado. Prof. Marcelo Sousa, Biochemiker an der University of Colorado Boulder, forschte über zehn Jahre an der Struktur eines bakteriellen Enzyms das eine zentrale Rolle bei Antibiotikaresistenz spielt. Das Enzym ist verantwortlich für die sogenannte Modifikation von Lipid A: Bakterien können ihre Zellmembran so umbauen, dass Antibiotika keinen Angriffspunkt mehr finden. Wer die genaue Enzymstruktur kennt, kann Hemmstoffe entwickeln die diese Schutzreaktion blockieren. Jahrelange kristallographische Versuche scheiterten. Als Sousa AlphaFold einsetzte, lag eine Strukturvorhersage in etwa 30 Minuten vor, die er anschließend experimentell bestätigen konnte.

Die klinische Dringlichkeit dieses Forschungsfeldes ist real. Laut einer systematischen Lancet-Analyse, der bisher umfassendsten Studie dieser Art, starben 2019 weltweit 1,27 Millionen Menschen direkt an Infektionen durch antibiotikaresistente Keime; weitere 4,95 Millionen Todesfälle waren mit Antibiotikaresistenz assoziiert. Das sind mehr Todesfälle als durch HIV/AIDS oder Malaria im selben Jahr. Eine aktualisierte Lancet-Analyse mit Projektionen bis 2050 sieht die Zahlen ohne entschiedene Gegenwehr weiter steigen.

Bis Ende 2026: Erste Patienten bekommen AlphaFold-Wirkstoffe

Den nächsten konkreten Schritt plant Isomorphic Labs, ein 2021 gegründetes Spinout von Google DeepMind. Das Unternehmen nutzt AlphaFold 3, um Wirkstoffe gegen Proteine zu entwerfen, die bisher als nicht angreifbar galten, weil ihre Struktur mit herkömmlichen Methoden kaum zu bestimmen war. Bis Ende 2026 sollen erste dieser Kandidaten in klinische Studien an Menschen gehen, darunter Wirkstoffe gegen Krebsziele und infektiöse Erkrankungen. Isomorphic Labs wäre damit das erste Unternehmen das einen Wirkstoff auf Basis KI-generierter Proteinstrukturvorhersagen bis in den klinischen Prüfungsablauf bringt.

Parallel entwickeln Forscher der University of Portsmouth mit AlphaFold Enzyme die Kunststoffe biologisch abbauen können. Das zeigt die Breite der Anwendung: von der Medizin über die Materialwissenschaft bis zur Umwelttechnik. Ob AlphaFold die Antibiotikaresistenzkrise nennenswert entschärfen kann, hängt nicht nur von der Technologie ab. Neue Wirkstoffe brauchen Jahrzehnte für Zulassung und klinische Prüfung und selbst wenn die Strukturkenntnis schneller kommt, muss die Pharmaindustrie bereit sein in Antibiotika zu investieren. Antibiotika sind im Vergleich zu anderen Medikamentenklassen wirtschaftlich weniger attraktiv, weil ihre Wirksamkeit durch Resistenzentwicklung begrenzt wird und Therapien kurz sind. Die bessere Strukturkenntnis ist notwendig, aber nicht hinreichend.