DeepMinds AlphaFold-Datenbank macht einen entscheidenden Sprung: Mit der Integration von Homodimeren – Proteinkomplexen aus zwei identischen Einheiten – schließt die KI-Plattform eine lange kritisierte Lücke und wird damit zum ernsthaften Werkzeug für die pharmakologische Praxis.
AlphaFold-Datenbank erweitert: KI-System integriert erstmals Protein-Paarungen
Die AlphaFold-Datenbank von DeepMind hat eine wesentliche Erweiterung erhalten: Die Sammlung mit rund 200 Millionen Protein-Strukturvorhersagen umfasst nun auch sogenannte Homodimere – Proteinkomplexe, die aus zwei identischen Einheiten bestehen. Damit wächst der wissenschaftliche Nutzen der Datenbank erheblich, da ein Großteil biologisch relevanter Proteine nicht als Einzelmolekül, sondern in gebundener Form funktioniert.
Von der Einzelstruktur zum Komplex
Seit der Veröffentlichung von AlphaFold2 im Jahr 2021 gilt das System als Meilenstein in der Strukturbiologie. Die KI-basierte Vorhersage dreidimensionaler Proteinstrukturen hat jahrelange experimentelle Arbeit auf Stunden reduziert. Bislang konzentrierte sich die öffentliche Datenbank jedoch auf einzelne Proteinketten – obwohl viele Proteine ihre biologische Funktion erst in gebundener Form erfüllen.
Zahlreiche Transkriptionsfaktoren, Ionenkanäle und Enzyme sind ausschließlich als Homodimere biologisch aktiv. Wer ihre Gesamtstruktur nicht kennt, hat nur ein unvollständiges Bild ihrer Funktion.
Bei Homodimeren verbindet sich ein Protein mit einer identischen Kopie seiner selbst. Diese Paarungen spielen eine zentrale Rolle in der Zellbiologie – und sind gleichzeitig häufige Angriffspunkte für Wirkstoffe.
Praktische Relevanz für die Wirkstoffforschung
Die Erweiterung schließt eine konkrete Lücke in der frühen Phase der Medikamentenentwicklung. Für pharmazeutische Unternehmen und Biotechs bedeutet die freie Verfügbarkeit dieser Strukturdaten:
- Aufwendige Verfahren wie Röntgenkristallographie oder Kryo-Elektronenmikroskopie lassen sich in bestimmten Fällen durch computationale Vorhersagen ergänzen oder ersetzen.
- Forscher aus Strukturbiologie und Drug Discovery können direkt auf vorberechnete Komplexstrukturen zugreifen, anstatt diese zeitintensiv selbst zu modellieren.
- Beim virtuellen Screening potenzieller Wirkstoffkandidaten – bei dem Millionen von Molekülen auf ihre Passform an ein Zielprotein geprüft werden – ist die genaue Kenntnis der gebundenen Proteinform entscheidend.
Technische Einordnung
AlphaFold nutzt Deep Learning, um aus der Aminosäuresequenz eines Proteins dessen räumliche Faltung vorherzusagen. Die Modellierung von Proteinkomplexen stellt dabei höhere Anforderungen, weil zusätzlich die Interaktionsflächen zwischen den Untereinheiten korrekt vorhergesagt werden müssen.
Dass DeepMind diese Erweiterung nun in die öffentliche Datenbank integriert hat, zeigt den fortgeschrittenen Reifegrad der zugrundeliegenden Modelle.
Die Datenbank ist über das European Bioinformatics Institute (EMBL-EBI) frei zugänglich. Neben Homodimeren arbeiten die Entwickler weiterhin an der Unterstützung heteromerer Komplexe – also Verbindungen aus unterschiedlichen Proteinen –, was den Anwendungsbereich erneut deutlich erweitern würde.
Einordnung für deutsche Unternehmen
Für Unternehmen im deutschen Life-Sciences-Sektor – von großen Pharmaunternehmen wie Bayer und Boehringer Ingelheim bis zu spezialisierten Biotechs – bietet die erweiterte AlphaFold-Datenbank einen direkten operativen Vorteil:
Teams, die strukturbasiertes Drug Design oder Target Identification betreiben, können die neuen Homodimer-Daten unmittelbar in bestehende Workflows integrieren. Da die Datenbank kostenlos zugänglich ist, sinkt die Einstiegshürde besonders für kleinere Unternehmen ohne eigene strukturbiologische Infrastruktur erheblich.
Wer KI-gestützte Wirkstoffforschung als strategisches Feld aufbaut, sollte die weiteren Ausbaustufen der AlphaFold-Datenbank eng verfolgen.
Quelle: Nature AI
