In einer ausführlichen Bestandsaufnahme im Fachpodcast Latent Space haben führende Köpfe der computergestützten Biologie eine differenzierte Bilanz zu den bisherigen Errungenschaften der KI-basierten Proteinforschung gezogen. Pushmeet Kohli, Head of AI for Science bei Google DeepMind, und Sal Candido vom CZ Biohub analysierten dabei die tatsächliche Reichweite moderner strukturbiologischer Modelle. Trotz der weltweiten Anerkennung für das System AlphaFold machten beide Wissenschaftler deutlich, dass das biophysikalische Rätsel der Proteinfaltung keineswegs gelöst ist. Die verbreitete Auffassung, der Prozess sei vollständig entschlüsselt, verkenne die eigentliche Natur des biologischen Problems grundlegend.
Die zentrale Einschränkung liegt nach Angaben von Kohli und Candido im Wesen der zugrundeliegenden Daten und der Modellarchitektur. AlphaFold bildet im Wesentlichen die statischen Konformationen nach, die über viele Jahrzehnte hinweg in der Protein Data Bank katalogisiert wurden. Das System erzeugt damit präzise dreidimensionale Momentaufnahmen stabiler Zustände, simuliert jedoch nicht den eigentlichen Faltungspfad als kontinuierlichen physikalischen Prozess. In der Natur falten sich Proteine entlang dynamischer Energiepfade, die durch statische Koordinaten nicht abgebildet werden.
Biologische Makromoleküle sind im zellulären Alltag hochgradig wandelbar und selten starre Gebilde. Reale Proteine sind flexibel, reagieren feinfühlig auf ihren Kontext und verändern ihre Form durch Bindungspartner oder physikochemische Bedingungen. Ein erheblicher Teil biologisch wichtiger Proteine gilt zudem als intrinsisch unstrukturiert, im Fachjargon intrinsically disordered genannt, und besitzt gar keine dauerhafte Konformation. Derartige Moleküle verändern ihre Struktur erst bei konkreten Wechselwirkungen, weshalb rein statische Vorhersagen für diesen Bereich nur geringe Aussagekraft besitzen.
Diese Einschränkungen wirken sich direkt auf die praktische Anwendung in der Biotechnologie und Medizin aus. Für echte Durchbrüche bei der Entwicklung neuer Wirkstoffe reicht es nicht aus, lediglich eine einzelne gefrorene Struktur eines Zielproteins zu kennen. Therapeutische Moleküle greifen häufig in dynamische Übergangszustände ein oder modulieren die Interaktion ganzer Proteinkomplexe. Da isolierte statische Schnappschüsse diese Bewegungsmuster verschweigen, stoßen Forscher bei der zielgerichteten Wirkstoffsuche mit bisherigen KI-Modellen schnell an praktische Grenzen.
Als Weg aus dieser Limitierung fordern die Wissenschaftler die Entwicklung neuer Modellklassen für die Interaktion ganzer Zellsysteme. Das langfristige Ziel beschreiben Kohli und Candido als Virtual Cell, eine computergestützte Simulation, die Dynamik, biologische Funktion und molekulare Netzwerke vereint. Ein solches System muss über die reine Strukturvorhersage hinausgehen und das Zusammenspiel tausender Zellkomponenten erfassen. Dies erfordert laut den Experten auch eine grundlegende Neuausrichtung der Datenbeschaffung, um Modelle mit kontinuierlichen Messdaten anstelle statischer Kristalldaten zu trainieren.
Methodisch verweisen beide Forscher dabei auf die sogenannte Bitter Lesson der KI-Forschung. Diese Maxime besagt, dass generische, hochgradig skalierbare Rechenmethoden auf lange Sicht spezialisierten menschlichen Heuristiken überlegen sind. Für die Biologie bedeutet dies, dass Fortschritte nicht durch eng definierte Annahmen über Faltungsregeln entstehen, sondern durch massive Rechenleistung auf breiten zellulären Datensätzen. Erst wenn KI-Systeme die dynamische Komplexität des zellulären Milieus in großem Maßstab verarbeiten können, werden die erhofften medizinischen Durchbrüche Wirklichkeit.