AlphaFold 3 für Forscher geöffnet — was ein Jahr Zugang tatsächlich hervorgebracht hat

Als DeepMind im Jahr 2020 AlphaFold 2 veröffentlichte, löste es eine 50 Jahre alte große Herausforderung in der Biologie: die Vorhersage, wie sich ein Protein aus seiner Aminosäuresequenz in eine dreidimensionale Struktur faltet. Die Reaktion der wissenschaftlichen Gemeinschaft war nahezu einhellig – dies war eines der bedeutendsten biologischen Werkzeuge, die je geschaffen wurden. Innerhalb von zwei Jahren sagte AlphaFold die Strukturen von über 200 Millionen Proteinen voraus, im Wesentlichen das gesamte bekannte Proteinuniversum, und machte sie über die Datenbank des Europäischen Bioinformatik-Instituts frei verfügbar.

AlphaFold 3, 2024 veröffentlicht, ging noch weiter. Es kann nicht nur Proteinstrukturen vorhersagen, sondern auch die Strukturen von Proteinkomplexen – Proteine, die gleichzeitig mit DNA, RNA, Liganden und kleinen Arzneimittelmolekülen interagieren. Das ist die Fähigkeit, auf die die Wirkstoffforschung gewartet hat: nicht nur vorherzusagen, wie ein Protein aussieht, sondern wie es mit potenziellen Therapeutika in atomarer Auflösung interagiert.

Was AlphaFold 3 tatsächlich vorhersagt

Das entscheidende Upgrade bei AlphaFold 3 ist seine Fähigkeit, molekulare Wechselwirkungen zu modellieren, anstatt isolierte Strukturen. Ein Arzneimittelmolekül wirkt, indem es an ein bestimmtes Proteinziel bindet – normalerweise durch Einfügen in eine Tasche in der Proteinstruktur, die es entweder aktiviert oder hemmt. Die genaue Vorhersage dieser Bindungsinteraktion erfordert die Modellierung der Konformationsänderungen, die sowohl das Protein als auch das Arzneimittelmolekül beim Zusammentreffen durchlaufen.

AlphaFold 3 verwendet eine diffusionsbasierte Architektur (ähnlich den Modellen hinter der Bilderzeugung) anstelle des Transformer-basierten Ansatzes von AlphaFold 2, was es ihm ermöglicht, die heterogenen molekularen Eingaben – Mischen von Proteinen, Nukleinsäuren und kleinen Molekülen in einer einzigen Vorhersage – zu verarbeiten. Benchmarks, die zum Start veröffentlicht wurden, zeigten, dass es spezialisierte Docking-Tools bei Protein-Ligand-Vorhersageaufgaben übertraf – das Ergebnis, das die Aufmerksamkeit der Wirkstoffforschungsteams erregte.

Was Forscher damit gemacht haben

Die unmittelbarste Anwendung war das virtuelle Screening: Verwenden von AlphaFold 3, um vorherzusagen, wie Tausende oder Millionen von Kandidatenmolekülen an ein Zielprotein binden, und dann die vielversprechendsten zu filtern, bevor physikalische Experimente durchgeführt werden. Dies komprimiert, was früher ein mehrjähriger Hit-Identifizierungsprozess war, auf Wochen. Mehrere akademische Labore haben Preprints veröffentlicht, die neuartige Bindungskandidaten für schwierige Zielmoleküle beschreiben – einschließlich zuvor „nicht medikamentöser“ Proteine mit flachen oder versteckten Bindungstaschen –, die vollständig durch computergestütztes Screening mit AlphaFold 3 identifiziert wurden.

Das Antikörperdesign war eine weitere hochwertige Anwendung. Die Vorhersage, wie ein Antikörper an sein Antigen bindet – und das Design von Antikörpervarianten, die fester oder spezifischer binden – ist jetzt mit AlphaFold 3 deutlich schneller als mit früheren computergestützten Werkzeugen. Isomorphic Labs, DeepMinds Spin-off für Wirkstoffforschung, hat offengelegt, dass mehrere Programme in seiner Pipeline mit Unterstützung von AlphaFold 3 entwickelt wurden, obwohl klinische Daten jahrelang nicht verfügbar sein werden.

Das Enzym-Engineering hat einige der schnellsten konkreten Ergebnisse hervorgebracht. Forscher mehrerer akademischer Gruppen haben AlphaFold 3 verwendet, um neuartige Enzymvarianten zu entwickeln, die in der Natur nicht vorkommende Reaktionen durchführen – spezifische Kunststoffpolymere abbauen, komplexe Naturstoffanaloga synthetisieren und Reaktionen mit verbesserter Selektivität katalysieren. Der Geschwindigkeitsvorteil ist dramatisch: Computergestützte Designzyklen, die früher Monate dauerten, dauern jetzt Tage.

Was es immer noch nicht kann

Die Vorhersagen von AlphaFold 3 sind statisch. Es sagt die energieärmste Struktur eines Komplexes voraus, nicht die Dynamik, wie sich Moleküle im Laufe der Zeit bewegen und biegen. Die Proteinbewegung – die Konformationsänderungen, die bestimmen, wie Medikamente in Bindungstaschen gelangen, wie allosterische Signale weitergeleitet werden, wie Enzyme sich öffnen und schließen – erfordert Molekulardynamiksimulation, die AlphaFold nicht ersetzt. Viele Medikamentenfehler treten auf, weil eine Verbindung an die vorhergesagte statische Struktur bindet, sich aber im dynamischen physiologischen Kontext anders verhält. Die Integration von AlphaFold 3-Vorhersagen mit Molekulardynamiksimulation ist ein aktives Entwicklungsgebiet.

Die Genauigkeit ist ebenfalls nicht einheitlich. AlphaFold 3 schneidet bei einigen Zielklassen deutlich besser ab als bei anderen. G-Protein-gekoppelte Rezeptoren (GPCRs) – die häufigste Klasse von Arzneimittelzielen – bleiben herausfordernd, da ihre konformationelle Flexibilität nicht vollständig erfasst wird. Intrinsisch ungeordnete Proteine, denen unter physiologischen Bedingungen stabile dreidimensionale Strukturen fehlen, sind per Definition resistent gegen Strukturvorhersagen. Und die Genauigkeit von Protein-Ligand-Vorhersagen ist zwar besser als bei früheren Werkzeugen, produziert aber immer noch falsch-positive Ergebnisse, die eine physikalische Validierung zur Eliminierung erfordern.

Die Zugangsfrage

Einer der komplizierteren Aspekte der Einführung von AlphaFold 3 war die Zugangspolitik. Der AlphaFold-Server ist für nicht-kommerzielle akademische Forschung kostenlos, aber die Modellgewichte – die es Forschern ermöglichen würden, AlphaFold 3 lokal auszuführen und in automatisierte Pipelines zu integrieren – wurden zunächst von DeepMind unter Berufung auf kommerzielle Bedenken zurückgehalten. Dies führte zu erheblichem Widerstand seitens der wissenschaftlichen Gemeinschaft, die die offene Veröffentlichung von AlphaFold 2 gefeiert hatte.

DeepMind veröffentlichte anschließend die Modellgewichte unter einer Lizenz, die nicht-kommerzielle Forschungsnutzung und lokale Bereitstellung erlaubt, während die kommerzielle Nutzung eingeschränkt wird. Dies ist ein Mittelweg, der die meisten akademischen Forscher zufriedenstellt, aber weiterhin Kritik von Open-Science-Befürwortern auf sich zieht, die anmerken, dass das grundlegende Training von AlphaFold auf Jahrzehnten öffentlich finanzierter Strukturbiologiedaten beruhte.

Die praktischen Auswirkungen auf die Zeitpläne der Wirkstoffforschung sind real und messbar – nicht im Rahmen der „Krebsheilkunde von morgen“, der die frühe Berichterstattung begleitete, sondern in einer echten Komprimierung der Hit-Identifizierungs- und Lead-Optimierungsphasen, die historisch gesehen für Jahre präklinischer Arbeit verantwortlich waren. Was AlphaFold 3 kauft, ist keine Gewissheit, sondern ein drastisch besserer Ausgangspunkt – und in der Wirkstoffforschung ist ein besserer Ausgangspunkt enorm viel wert.