Während KI die Vorhersage von Proteinstrukturen breit zugänglich macht, suchen Forschende zunehmend nach übergeordneten Prinzipien, die bestimmen, wie Proteine aufgebaut sind und funktionieren
- Die Strukturbiologie verlagert sich von der Vorhersage von Proteinstrukturen hin zur Entdeckung übergreifender Organisationsprinzipien
- KI-Tools wie AlphaFold haben den Zugang zu großskaligen Proteinstruktur-Daten erheblich erleichtert
- Forschende untersuchen verstärkt wiederkehrende Muster in der Organisation von Aminosäuren
- Verteilte und Citizen-Science-Projekte tragen zur Validierung und Entdeckung bei
- Neue Erkenntnisse könnten Arzneimittelentwicklung, Protein-Engineering und Biotechnologie beeinflussen
(NACHRICHTEN) LONDON / MADRID, 18. März 2026 — /EuropaWire/ — Die Strukturbiologie tritt in eine neue Phase ein. Nach Jahrzehnten, in denen die dreidimensionalen Formen von Proteinen bestimmt wurden, richtet sich der Fokus zunehmend auf eine grundlegendere Frage: Folgen Proteine übergreifenden architektonischen Regeln, die sich aus großen Datensätzen ableiten lassen, anstatt nur einzelne Moleküle isoliert zu betrachten?
Diese Verschiebung ist eng mit dem rasanten Aufstieg künstlicher Intelligenz in den Lebenswissenschaften verbunden. Im Jahr 2021 wurde das von Google DeepMind entwickelte System AlphaFold in Nature vorgestellt und erreichte beim CASP14-Wettbewerb zur Proteinstrukturvorhersage in vielen Fällen eine Genauigkeit, die mit experimentellen Methoden vergleichbar ist. Seitdem hat die AlphaFold Protein Structure Database, entwickelt von DeepMind und EMBL-EBI, den offenen Zugang zu mehr als 200 Millionen vorhergesagten Proteinstrukturen ermöglicht und damit eine bislang unerreichte Datenbasis geschaffen.
Vor diesem Hintergrund stellen sich Forschende zunehmend die Frage, wie diese Fülle an Strukturinformationen genutzt werden kann. Statt sich ausschließlich darauf zu konzentrieren, wie ein einzelnes Protein aussieht, wird untersucht, ob sich in großen Sammlungen von Strukturen wiederkehrende Prinzipien erkennen lassen – etwa in der räumlichen Organisation von Aminosäuren, in der Skalierung von Proteinarchitektur oder in Mustern, die Funktion, Stabilität und Wechselwirkungen erklären könnten.
Von einem gelösten Engpass zu einer neuen Forschungsfront
Über viele Jahrzehnte bestand eine der zentralen Herausforderungen der Molekularbiologie darin, die Struktur eines Proteins aus seiner Aminosäuresequenz vorherzusagen. KI hat diese Herausforderung nicht vollständig gelöst, aber den Engpass deutlich verschoben. Die Vorhersage von Strukturen ist heute wesentlich weniger begrenzt als deren Interpretation.
Diese Entwicklung zeigt sich auch in anderen Bereichen des Protein-Design-Ökosystems: Das Projekt Rosetta@home etwa weist darauf hin, dass es mit dem Fortschritt von Modellen wie AlphaFold und RosettaFold weniger für die reine Strukturvorhersage genutzt wird, sondern verstärkt für Bereiche, in denen KI-Modelle noch an Grenzen stoßen, etwa beim Design kleiner Moleküle und Peptide.
Damit verlagert sich die zentrale Fragestellung von „Können wir die Struktur vorhersagen?“ hin zu „Welche allgemeinen Regeln sind in all diesen Strukturen enthalten?“ – eine Frage, die an der Schnittstelle von Strukturbiologie, Computerchemie, maschinellem Lernen und Arzneimittelentwicklung liegt.
Eine längere Entwicklungslinie verteilter und partizipativer Forschung
Die Suche nach solchen Regeln ist Teil einer längeren Entwicklung, in der verteilte Systeme, offene Plattformen und öffentliche Beteiligung genutzt wurden, um komplexe biologische Probleme zu bearbeiten.
Ein bekanntes Beispiel ist Foldit, ein von der University of Washington entwickeltes Online-Spiel zur Proteinstruktur. In einer vielzitierten Studie konnten Teilnehmende die Struktur eines retroviralen Proteins lösen, an der traditionelle Methoden zuvor gescheitert waren.
Ein weiteres Beispiel ist Folding@home, das verteilte Rechenleistung nutzt, um Protein-Faltung und -Dynamik zu simulieren. Eine 2023 in Frontiers in Molecular Biosciences veröffentlichte Analyse beschreibt das Projekt als Pionier für großskalige biomolekulare Simulationen auf Basis von Bürgerbeteiligung (Projektbeschreibung, Review 2023).
Auch RNA-orientierte Initiativen zeigen den Wert solcher hybriden Ansätze. Das Projekt EteRNA, entwickelt an der Stanford University und der Carnegie Mellon University, mobilisierte eine große globale Gemeinschaft von Citizen Scientists, die mithilfe eines Online-Spiels RNA-Strukturen entwarfen und testeten. Laut Stanford MediaX-Dokumentation und Stanford Medicine zeigt das Projekt, dass menschliche Intuition helfen kann, Prinzipien zu erkennen, die algorithmisch schwer zu erfassen sind.
Zusammen zeichnen diese Projekte eine Entwicklungslinie nach: von der Skalierung von Strukturvorhersagen über KI bis hin zur heutigen Phase, in der es darum geht, aus dieser Datenfülle grundlegende biologische Prinzipien abzuleiten.
Die Suche nach universellen Prinzipien der Proteinarchitektur
Im Mittelpunkt steht dabei die Frage, ob Proteine gemeinsame Organisationsprinzipien aufweisen, die über bekannte Konzepte wie Sekundärstrukturen oder hydrophobe Kerne hinausgehen. Forschende untersuchen, ob sich Aminosäuren bestimmter chemischer Klassen systematisch gruppieren und ob solche Muster statistisch und visuell erfassbar sind.
Ein Beispiel hierfür ist das Projekt Proteins Mosaic Q, das in einer EuropaWire-Meldung im März 2026 vorgestellt wurde. Das Projekt untersucht, ob sich in Proteinstrukturen mosaikartige Muster aus chemisch ähnlichen Aminosäuren erkennen lassen und bezieht Freiwillige in die visuelle Analyse ein. Die zugrunde liegenden Analysen basieren auf mehr als 160.000 Proteinstrukturen sowie Simulationen und werden durch eine Vorveröffentlichung (bioRxiv) und weitere Materialien (Projektseite, SciStarter) ergänzt.
Ob sich solche Muster allgemein bestätigen lassen, ist Gegenstand weiterer Forschung. Unabhängig davon zeigt das Projekt die Richtung, in die sich das Feld bewegt: hin zu einer Kombination aus großskaliger Datenanalyse, offener Forschung und kollaborativer Validierung.
Bedeutung für Biotechnologie und Arzneimittelentwicklung
Die Suche nach allgemeinen Strukturprinzipien ist nicht nur von theoretischem Interesse. In der Arzneimittelentwicklung spielen Proteinstrukturen eine zentrale Rolle, etwa bei der Identifikation von Bindungsstellen und der Vorhersage von Wechselwirkungen.
Sollten sich übergreifende Muster bestätigen, könnten sie die Entwicklung neuer Medikamente, das Design von Proteinen und Anwendungen in der synthetischen Biologie unterstützen.
Gleichzeitig verändert sich die Ausgangslage: Strukturinformationen sind heute in großer Menge verfügbar, während deren Interpretation zur neuen Herausforderung wird. In einem Umfeld, in dem KI-gestützte Methoden und generative Ansätze an Bedeutung gewinnen, könnte das Verständnis der zugrunde liegenden Strukturprinzipien zu einem entscheidenden Wettbewerbsvorteil werden.
Offene Wissenschaft und neue Validierungsmodelle
Parallel dazu verändert sich auch die Art und Weise, wie wissenschaftliche Erkenntnisse gewonnen werden. Offene Datenbanken, frei zugängliche Software und kollaborative Plattformen spielen eine immer größere Rolle.
AlphaFold hat den Zugang zu Strukturinformationen demokratisiert, während Projekte wie Rosetta@home und Folding@home die Möglichkeiten verteilter Rechenleistung demonstrieren. Foldit und EteRNA zeigen, dass auch menschliche Beteiligung über reine Rechenleistung hinaus wertvolle Beiträge leisten kann.
Neuere Initiativen kombinieren diese Ansätze und setzen auf verteilte Validierung und offene Datensammlungen. Dies ersetzt nicht klassische wissenschaftliche Methoden, erweitert aber die Möglichkeiten, Hypothesen in großem Maßstab zu testen.
