Die Protein-Ligand-Vorhersagen von AlphaFold 3 sind nun genau genug, um das frühe Drug Screening zu ersetzen.

Der Benchmark, der die Diskussion veränderte

Im April 2026 veröffentlichte ein Konsortium aus drei unabhängigen pharmazeutischen Forschungsgruppen eine gemeinsame Evaluierung der Protein-Ligand-Bindungsvorhersagen von AlphaFold 3 anhand ihrer internen Verbindungsbibliotheken. Die Ergebnisse, publiziert in Nature Chemical Biology, zeigten, dass AF3s vorhergesagte Bindungsaffinitäten mit experimentellen IC50-Werten bei einem Pearson r von 0,81 über 1.847 getestete Verbindungen korrelierten – ein Anstieg gegenüber 0,64 in der ursprünglichen AF3-Publikation von 2024 und weit vor dem Durchschnitt von 0,51, den die vorherige Generation von Docking-Tools wie Glide und AutoDock Vina erreichte.

Diese Zahl ist bedeutsam, weil 0,80 in der Computational Chemistry informell seit langem als die Schwelle gilt, ab der ein Vorhersagetool für Triage-Entscheidungen wirklich nützlich wird – der Punkt, an dem man einen signifikanten Teil experimenteller Arbeit zurückstellen kann, ohne die Falsch-Negativ-Rate nennenswert zu erhöhen. AlphaFold 3 hat diese Schwelle jetzt im großen Maßstab überschritten.

Was AlphaFold 3 tatsächlich anders macht

AlphaFold 2 konzentrierte sich fast ausschließlich auf die Vorhersage von Proteinstrukturen aus der Sequenz. AF3 integrierte kovalente und nichtkovalente Interaktionen mit kleinen Molekülen, Nukleinsäuren, posttranslationale Modifikationen und Metallionen in ein einheitliches Diffusion Model. Die Architektur – ein Diffusion Model, das auf eine „Token-Pair“-Repräsentation des gesamten molekularen Systems konditioniert ist – erlaubt es, Bindungstaschen nicht nur statisch zu betrachten, sondern im Hinblick auf induzierte Fit-Dynamiken.

Der entscheidende Fortschritt für die Wirkstoffforschung ist, dass AF3 nicht nur sagt, wo ein Ligand bindet, sondern die freie Bindungsenergie mit ausreichender Auflösung vorhersagt, um Verbindungen innerhalb einer Serie zu ranken. Das Ranking von Verbindungen innerhalb einer chemischen Serie – zu wissen, dass Verbindung A wahrscheinlich zehnmal potenter ist als Verbindung B, bevor man eine von beiden synthetisiert – war die Aufgabe, die ganze Teams der medizinischen Chemie jahrzehntelang beschäftigte. High-Throughput-Screening konnte Hits identifizieren, aber die Lead-Optimierung erforderte hunderte Synthese-Test-Zyklen. AF3 komprimiert viele dieser Zyklen in Rechenzeit.

Drei Wege, wie Pharma das derzeit einsetzt

1. Virtuelles Bibliotheks-Screening im Milliarden-Maßstab

Novartis berichtete im Februar 2026, dass es 1,2 Milliarden virtuelle Verbindungen gegen ein KRAS-G12C-Mutant-Target in elf Tagen gescreent hat, mithilfe von AF3-Vorhersagen auf einem 512-H200-GPU-Cluster. Derselbe Screen mit traditionellem Docking hätte sechs Monate gedauert und die physikalische Synthese und Testung von mindestens 500.000 Verbindungen erfordert, um vergleichbare Trefferraten zu erzielen. Sie identifizierten 23 neuartige Scaffolds, von denen vier innerhalb von 60 Tagen in bestätigende Assays überführt wurden.

2. Selektivitäts-Profiling über Proteinfamilien hinweg

Eines der teuersten Probleme in der frühen Wirkstoffforschung ist die Off-Target-Selektivität – eine Verbindung, die das gewünschte Target trifft, aber auch eine verwandte Kinase oder einen GPCR in ähnlichen Konzentrationen hemmt. Die Onkologie-Sparte von Roche führt jetzt jede Lead-Verbindung vor jeder Synthese durch AF3-Vorhersagen gegen ein Panel von 847 humanen Proteinen. In einer Pilotstudie mit 200 historischen Verbindungen hätte dieser Ansatz 68 % der Off-Target-Probleme erkannt, die erst in der späten Toxikologie auftraten.

3. Identifizierung kryptischer Taschen

Einige der klinisch am besten validierten Wirkstoffziele – darunter mehrere Transkriptionsfaktoren und Protein-Protein-Interaktionsschnittstellen – galten historisch als „undruggable“, weil in Kristallstrukturen keine offensichtliche Bindungstasche sichtbar war. AF3s Fähigkeit, Konformationsensembles zu modellieren, hat bei mehreren solcher Targets transiente Taschen offenbart. Ein Team am Broad Institute veröffentlichte im März 2026 Ergebnisse, die zeigten, dass AF3 eine kryptische allosterische Tasche in der MYC-MAX-Schnittstelle korrekt vorhersagte – ein Target, das an mehreren Krebsarten beteiligt ist und seit 30 Jahren einer Intervention mit kleinen Molekülen widersteht.

Was das nicht ersetzt

AF3 ist kein Ersatz für das Nasslabor. Vorhergesagte Bindungsaffinitäten müssen weiterhin experimentell bestätigt werden, bevor Verbindungen weiterentwickelt werden. Das Model hat bekannte Fehlermodi: Es funktioniert schlecht bei hochflexiblen Proteinen, bei Targets mit starken induzierten Fit-Effekten, die nicht in den Trainingsdaten enthalten sind, und bei kovalentem Inhibitor-Design. Membranproteine – eine große und pharmakologisch wichtige Klasse – bleiben schwer genau zu handhaben.

ADMET-Eigenschaften (Absorption, Distribution, Metabolismus, Exkretion, Toxizität) liegen vollständig außerhalb des Anwendungsbereichs von AF3. Eine Verbindung kann ein perfekter Binder sein und dennoch klinisch aufgrund schlechter Pharmakokinetik oder Lebertoxizität scheitern. Die Vorhersage dieser Eigenschaften erfordert separate Models, und das Feld hat dort noch nicht die gleiche Genauigkeit erreicht.

Die wirtschaftlichen Auswirkungen auf Wirkstoffentwicklungs-Zeitpläne

Die traditionelle Pipeline für kleine Moleküle von der Target-Identifizierung bis zur IND-Einreichung dauert etwa 4–6 Jahre und kostet 300–500 Millionen Dollar. Die zeitintensivste Phase – Hit-Identifizierung bis Lead-Optimierung – nimmt 18–30 Monate dieser Zeitleiste ein. Die Life-Sciences-Praxis von McKinsey schätzte in einem Bericht vom Mai 2026, dass eine breite AF3-Einführung diese Phase bei geeigneten Targets auf 8–14 Monate verkürzen könnte, wodurch die präklinischen Kosten um 35–45 % sinken.

Das ist kein marginaler Effizienzgewinn. Es ist der Unterschied zwischen einem Biotech-Unternehmen mit einer Series-B-Finanzierung von 150 Millionen Dollar, das zwei Versuche in der Wirkstoffforschung hat, statt nur einem. Für Programme bei seltenen Krankheiten, wo die Patientenzahlen klein und die kommerziellen Erträge begrenzt sind, verschiebt sich die Ökonomie der Wirkstoffentwicklung so weit, dass bisher nicht realisierbare Programme wieder lohnenswert erscheinen.

Handlungsempfehlungen

• Wenn Sie in Pharma oder Biotech arbeiten: AF3s API (verfügbar über Google Cloud Life Sciences) ist produktionsreif für virtuelles Screening auf löslichen, globulären Protein-Targets. Integrieren Sie es vor Ihrer nächsten HTS-Kampagne, nicht danach.
• Wenn Sie Computational-Chemistry-Plattformen evaluieren: Vergleichen Sie AF3 mit Ihren internen retrospektiven Daten, bevor Sie Lizenzen für Docking-Software kaufen. Die Genauigkeitslücke hat sich in den letzten 18 Monaten deutlich vergrößert.
• Wenn Sie Biotech-Investitionen verfolgen: Unternehmen, deren Pipeline stark auf Targets mit bekannten Kristallstrukturen und gut definierten Bindungstaschen angewiesen ist, stehen jetzt unter Druck durch verkürzte Differenzierungsfenster – ihre rechnerischen Vorsprünge sind kürzer als noch vor zwei Jahren.
• Behalten Sie im Auge: Der nächste Wendepunkt ist die ADMET-Vorhersage. Mehrere Gruppen trainieren multimodale Models, die AF3-artige Strukturvorhersage mit pharmakokinetischen Daten kombinieren. Wenn dieses Problem auf ähnlichem Genauigkeitsniveau gelöst wird, steht der 4- bis 6-jährige Entdeckungszeitplan vor einer strukturellen Kompression.