Nobelpreis für Chemie 2024: Wie DeepMind und AlphaFold die Proteinfaltung verändern

Der Nobelpreis für Chemie 2024 ging an Demis Hassabis, John Jumper und David Baker. Ausgezeichnet wurden sie dafür, dass sie maschinelles Lernen eingesetzt haben, um eine der grössten Herausforderungen der Biologie anzugehen: die dreidimensionale Form von Proteinen vorherzusagen und Proteine vollständig neu zu entwerfen.

Die diesjährige Auszeichnung war besonders, weil sie Forschung würdigte, die bei einem Technologieunternehmen entstand: DeepMind, einem KI-Forschungs-Start-up, das Google 2014 übernahm. Frühere Nobelpreise für Chemie wurden überwiegend an Forschende aus dem akademischen Umfeld vergeben.

Zahlreiche Preisträgerinnen und Preisträger gründeten später Start-up-Unternehmen, um ihre bahnbrechenden Arbeiten weiterzuentwickeln und zu vermarkten – etwa bei der CRISPR-Geneditierungstechnologie und Quantenpunkten. Die entsprechende Forschung selbst war jedoch nicht von Anfang bis Ende im kommerziellen Bereich durchgeführt worden.

Obwohl die Nobelpreise für Physik und Chemie getrennt verliehen werden, besteht zwischen den preisgekrönten Arbeiten beider Fachgebiete im Jahr 2024 eine bemerkenswerte Verbindung.

Der Physikpreis ging an zwei Informatiker, die die Grundlagen des maschinellen Lernens geschaffen hatten. Die Chemie-Preisträger erhielten die Ehrung dagegen für den Einsatz maschinellen Lernens bei einem der grössten Rätsel der Biologie: der Frage, wie sich Proteine falten.

Die Nobelpreise 2024 verdeutlichen sowohl die Bedeutung dieser Art künstlicher Intelligenz als auch die Tatsache, dass Wissenschaft heute häufig traditionelle Fachgrenzen überschreitet und unterschiedliche Disziplinen für bahnbrechende Ergebnisse zusammenführt.

Die Herausforderung der Proteinfaltung

Proteine sind die molekularen Maschinen des Lebens. Sie bilden einen erheblichen Teil unseres Körpers, darunter Muskeln, Enzyme, Hormone, Blut, Haare und Knorpel.

Ihre Strukturen zu verstehen, ist entscheidend, denn die Form eines Proteins bestimmt seine Funktion.

Bereits 1972 erhielt Christian Anfinsen den Nobelpreis für Chemie, weil er nachgewiesen hatte, dass die Abfolge der Aminosäurebausteine eines Proteins dessen Gestalt vorgibt – und diese wiederum seine Funktion beeinflusst. Faltet sich ein Protein falsch, kann es seine Aufgabe möglicherweise nicht korrekt erfüllen und Krankheiten wie Alzheimer, Mukoviszidose oder Diabetes verursachen.

Die Gesamtform eines Proteins entsteht durch winzige Wechselwirkungen – Anziehungen und Abstossungen – zwischen sämtlichen Atomen der Aminosäuren, aus denen es besteht. Manche Atome wollen zusammenkommen, andere nicht. Auf Grundlage vieler Tausend solcher chemischen Wechselwirkungen verdreht und faltet sich das Protein zu seiner endgültigen Form.

Jahrzehntelang gehörte es zu den grössten Herausforderungen der Biologie, die Form eines Proteins allein aus seiner Aminosäuresequenz vorherzusagen.

Inzwischen können Forschende zwar die Form prognostizieren, doch noch immer ist nicht geklärt, wie Proteine innerhalb weniger Mikrosekunden ihre spezifische Gestalt einnehmen und die Abstossungen aller interatomaren Wechselwirkungen minimieren.

Um die Funktionsweise von Proteinen zu erfassen und Fehlfaltungen zu verhindern, brauchten Wissenschaftlerinnen und Wissenschaftler eine Methode, um ihren Faltungsprozess vorherzusagen. Dieses Rätsel zu lösen, war jedoch keineswegs einfach.

Im Jahr 2003 entwickelte der Biochemiker David Baker an der University of Washington Rosetta, ein Computerprogramm zur Konstruktion von Proteinen. Damit zeigte er, dass sich das Problem der Proteinfaltung umkehren lässt: Zunächst wird eine Proteinform entworfen, anschliessend wird die Aminosäuresequenz vorhergesagt, die diese Form erzeugen soll.

Das war ein aussergewöhnlicher Fortschritt, doch die für die Berechnung gewählte Form war einfach, während die Berechnungen selbst kompliziert waren. Um neuartige Proteine mit gewünschten Strukturen routinemässig zu gestalten, war ein grundlegender Paradigmenwechsel nötig.

Eine neue Ära des maschinellen Lernens

Maschinelles Lernen ist eine Form der KI, bei der Computer Probleme lösen lernen, indem sie riesige Datenmengen auswerten. Es kommt in vielen Bereichen zum Einsatz – von Spielen und Spracherkennung über autonome Fahrzeuge bis zur wissenschaftlichen Forschung.

Dem maschinellen Lernen liegt die Idee zugrunde, verborgene Muster in Daten zu nutzen, um komplexe Fragen zu beantworten.

Einen grossen Sprung machte dieser Ansatz 2010, als Demis Hassabis DeepMind mitgründete. Das Unternehmen wollte Neurowissenschaft und KI verbinden, um reale Probleme zu lösen.

Hassabis, bereits im Alter von 4 Jahren ein Schach-Wunderkind, sorgte rasch mit AlphaZero für Schlagzeilen – einer KI, die sich Schach selbst auf übermenschlichem Niveau beibrachte. 2017 besiegte AlphaZero das damals führende Schachcomputerprogramm Stockfish-8 deutlich.

Dass die KI aus ihren eigenen Partien lernte, statt auf vorprogrammierte Strategien angewiesen zu sein, markierte einen Wendepunkt in der KI-Welt.

Kurz darauf setzte DeepMind ähnliche Methoden bei Go ein, einem alten Brettspiel mit enormer Komplexität. 2016 schlug das KI-Programm AlphaGo in einem weltweit aufmerksam verfolgten Spiel einen der besten Spieler der Welt, Lee Sedol, und verblüffte damit Millionen Menschen.

Ebenfalls 2016 richtete Hassabis den Fokus von DeepMind auf eine neue Aufgabe: das Problem der Proteinfaltung. Unter der Leitung von John Jumper, einem Chemiker mit Erfahrung in der Proteinforschung, begann das Projekt AlphaFold.

Das Team trainierte die KI mit einer umfangreichen Datenbank experimentell bestimmter Proteinstrukturen. Dadurch konnte sie die Prinzipien der Proteinfaltung erlernen.

Das Ergebnis war AlphaFold2, eine KI, die dreidimensionale Proteinstrukturen anhand ihrer Aminosäuresequenzen mit bemerkenswerter Genauigkeit vorhersagen konnte.

Dies bedeutete einen wichtigen wissenschaftlichen Durchbruch. AlphaFold hat seither die Strukturen von mehr als 200 Millionen Proteinen vorhergesagt – im Wesentlichen von allen Proteinen, deren Sequenzen Wissenschaftlerinnen und Wissenschaftler bislang bestimmt haben. Diese riesige Datenbank mit Proteinstrukturen ist heute frei zugänglich und beschleunigt die Forschung in Biologie, Medizin und Arzneimittelentwicklung.

Designerproteine gegen Krankheiten

Das Verständnis darüber, wie Proteine sich falten und funktionieren, ist für die Entwicklung neuer Medikamente von zentraler Bedeutung. Enzyme, eine Art von Protein, wirken als Katalysatoren bei biochemischen Reaktionen und können diese Prozesse beschleunigen oder regulieren.

Bei Krankheiten wie Krebs oder Diabetes richten Forschende ihre Aufmerksamkeit häufig auf bestimmte Enzyme, die an Krankheitsprozessen beteiligt sind. Wenn sie die Form eines Proteins vorhersagen können, lässt sich feststellen, an welchen Stellen kleine Moleküle – mögliche Wirkstoffkandidaten – daran binden könnten. Das ist der erste Schritt zur Entwicklung neuer Arzneimittel.

2024 stellte DeepMind AlphaFold3 vor, eine weiterentwickelte Version des AlphaFold-Programms. Sie prognostiziert nicht nur Proteinformen, sondern erkennt auch mögliche Bindungsstellen für kleine Moleküle. Dieser Fortschritt erleichtert es Forschenden, Medikamente zu entwerfen, die gezielt die richtigen Proteine ansprechen.

Google kaufte DeepMind 2014 Berichten zufolge für rund eine halbe Milliarde Dollar. Google DeepMind hat inzwischen mit Isomorphic Labs ein neues Unternehmen gegründet, das mithilfe dieser AlphaFold3-Vorhersagen mit Pharmaunternehmen an der Entwicklung realer Medikamente zusammenarbeiten soll.

David Baker leistete seinerseits weiterhin wichtige Beiträge zur Proteinforschung. Sein Team an der University of Washington entwickelte eine KI-gestützte Methode namens „familienweite Halluzination“, mit der es vollständig neue Proteine von Grund auf konstruierte.

Halluzinationen sind neue Muster – in diesem Fall Proteine –, die plausibel sind, also gut zu den Mustern in den Trainingsdaten der KI passen.

Zu diesen neuen Proteinen gehörte ein lichtemittierendes Enzym. Es zeigt, dass maschinelles Lernen bei der Erschaffung neuartiger synthetischer Proteine helfen kann. Diese KI-Werkzeuge eröffnen neue Möglichkeiten, funktionierende Enzyme und andere Proteine zu entwickeln, die auf natürlichem Weg niemals hätten entstehen können.

KI eröffnet das nächste Kapitel der Forschung

Die nobelpreiswürdigen Leistungen von Hassabis, Jumper und Baker zeigen, dass maschinelles Lernen nicht nur ein Werkzeug für Informatikerinnen und Informatiker ist, sondern inzwischen einen unverzichtbaren Teil der Zukunft von Biologie und Medizin darstellt.

Indem sie eines der schwierigsten Probleme der Biologie angegangen sind, haben die Gewinner des Preises 2024 neue Möglichkeiten für die Wirkstoffforschung, die personalisierte Medizin und sogar für unser Verständnis der Chemie des Lebens eröffnet.

Marc Zimmer, Professor für Chemie, Connecticut College

Dieser Beitrag wurde unter einer Creative-Commons-Lizenz aus The Conversation erneut veröffentlicht. Lesen Sie den Originalbeitrag.