Proteinstrukturvorhersage & Proteindesign

Die 3D-Form eines Proteins zu kennen, erforderte früher Monate an Kristallographie oder Kryo-EM. Deep-Learning-Modelle sagen Strukturen und Komplexe heute in Minuten aus der Sequenz voraus, und generative Modelle entwerfen neue Proteine (Binder, Enzyme, Antikörper), die anschließend im Labor synthetisiert und getestet werden. Der Nutzen sind weniger Laborzyklen pro Kandidat, nicht der Wegfall von Experimenten.

Problem & Nutzen

• Heute: Die Strukturbestimmung (Röntgen, Kryo-EM, NMR) ist langsam und teuer; klassisches Protein-Engineering stützt sich auf gerichtete Evolution und große Screening-Kampagnen mit niedrigen Trefferquoten.
• KI-Nutzen: Strukturhypothesen für Zielproteine ohne experimentelle Struktur, In-silico-Screening tausender Entwürfe vor der DNA-Bestellung und schnellere Design-Build-Test-Learn-Zyklen.
• Belege: AlphaFold 2 erreichte bei CASP14 eine nahezu experimentelle Genauigkeit; der Nobelpreis für Chemie 2024 würdigte das computergestützte Proteindesign (Baker) und die Strukturvorhersage (Hassabis, Jumper) [1][2]. Die AlphaFold Database (gehostet vom EMBL-EBI, Hinxton/UK, mit Verbindungen zur EU-Forschungsförderung) stellt vorhergesagte Strukturen für über 200 Millionen Proteine als kostenlose Ressource bereit [3]. Angaben zu Trefferquoten bei De-novo-Bindern variieren je nach Zielprotein und Anbieter; betrachten Sie Herstellerzahlen als ungeprüft, bis sie an Ihrem Zielprotein reproduziert wurden.

Varianten

• Nur Strukturvorhersage: Zielproteine, Mutationen und Komplexe (Protein-Protein, Protein-Ligand, Protein-Nukleinsäure) verstehen.
• De-novo-Design von Bindern / Mini-Proteinen: gegen ein Ziel-Epitop (Therapeutika, Diagnostika, Biosensoren).
• Design und Optimierung von Antikörpern und Nanobodies: Affinitätsreifung, Filterung nach Entwickelbarkeit.
• Enzym-Engineering: Stabilität, Aktivität und Spezifität für industrielle Biotechnologie, Lebensmittel, Waschmittel, Bioremediation.
• Akademische / öffentliche Forschung: kostenlose Webserver und offene Modelle, keine kommerzielle Pipeline.
• Privatnutzung: über Bildungszwecke (Stöbern in der AlphaFold DB) hinaus nicht sinnvoll.

So funktioniert es

1. target definition (sequence, structure, epitope, function)
2. structure prediction / complex modelling (AF3-class co-folding)
3. generative design (backbone diffusion
4. sequence design) or language-model proposals
5. in-silico filtering (re-prediction, confidence ipTM/pLDDT, energy, developability, immunogenicity)
6. biosecurity & sequence screening
7. gene synthesis
8. wet-lab assays (binding, activity, stability)
9. results feed back into the next design round (active learning)

• Strukturvorhersagemodelle (AlphaFold 3, Boltz, Chai, OpenFold3) sind diffusionsbasierte „Co-Folding"-Modelle, die Proteine zusammen mit Liganden, Nukleinsäuren und Ionen vorhersagen [4][5].
• Generatives Design: RFdiffusion erzeugt Rückgrate, ProteinMPNN entwirft die zugehörigen Sequenzen; Protein-Sprachmodelle (ESM-Familie) schlagen Sequenzen vor und bewerten sie [6][7].
• Agenten/LLMs steuern Werkzeugketten, fassen Literatur zusammen und schreiben Pipeline-Code; sie ersetzen die Strukturmodelle nicht.
• Mensch-in-der-Schleife (Human-in-the-Loop): Wissenschaftlerinnen und Wissenschaftler legen Ziele fest, prüfen gefilterte Kandidaten, entscheiden, was synthetisiert wird, und interpretieren Assay-Daten. Jeder Entwurf muss experimentell validiert werden.

Datenaufbereitung

Typische Eingaben sind Protein- und Zielsequenzen, PDB/mmCIF-Strukturen, Multiple Sequenzalignments und Laborergebnisse. In einem Biotech-Unternehmen oder Institut in KMU-Größe liegen sie in elektronischen Laborbüchern (ELN), LIMS, gemeinsamen Laufwerken, Excel-Tabellen und manchmal nur in PDFs von Publikationen oder Geräteexporten.

Typische Lücken: Assay-Daten in frei gestalteten Tabellen ohne Einheiten oder einheitliche Ziel-IDs, nie erfasste negative Ergebnisse, uneinheitlich benannte Sequenzvarianten, Strukturen aus verschiedenen Quellen ohne Herkunftsnachweis und kein klarer Verantwortlicher für jeden Datensatz. Zugriffsrechte für unveröffentlichte Sequenzen sind oft zu weit gefasst.

Schritte der Aufbereitung: 1. Quellen und Verantwortliche erfassen und dann abbilden, was jede Design-Schleife benötigt (siehe PREP-001, PREP-002, PREP-004). 2. Tabellen in saubere Tabellen mit festen Spalten für Konstrukt-ID, Sequenz, Assay, Einheit und Datum überführen (PREP-011). 3. Ein Benennungsschema und ein kleines kontrolliertes Vokabular für Zielproteine und Assays vereinbaren (PREP-012, PREP-019). 4. Maschinenlesbare Daten aus Publikationen und Geräte-PDFs extrahieren (PREP-006, DOC-014) und die Herkunft festhalten. 5. Mit den Laborwissenschaftlern ein zurückgehaltenes Testset aufbauen (PREP-018). 6. Den Zugriff auf unveröffentlichte Sequenzen beschränken (PREP-024).

Aufwandsanteil: hoch - grob die Hälfte des Projektaufwands. Die Vorhersagemodelle funktionieren sofort, aber Design-Schleifen verbessern sich nur, wenn Assay-Ergebnisse sauber und verknüpft zurückfließen. Siehe auch GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• Enterprise: Weg C - Sequenzen und Entwürfe sind zentrales geistiges Eigentum, und offene Co-Folding- und Design-Modelle (Boltz, OpenFold3, RFdiffusion, ProteinMPNN) laufen auf einem eigenen GPU-Cluster (HW3), ohne dass Zielproteine an Dritte übermittelt werden.
• Developer: Weg C - die offenen Modelle sind gut dokumentiert und lassen sich leicht in Pipelines einbinden; Cloud-APIs (Weg B) sind eine gute Brücke für Lastspitzen.
• Public: Weg C - Forschungsinstitute können den offenen Stack auf Hochschul- oder souveränen HPC-/Cloud-Systemen betreiben, was Ergebnisse zugleich reproduzierbar und publizierbar hält.

Weg A — Kaufen (Standardsoftware)

• Kostenlose Web-Werkzeuge: AlphaFold Server (nicht-kommerzielle Nutzung, begrenzte Aufträge pro Tag) und die AlphaFold DB [3][4]; ColabFold für schnelle Läufe.
• Kommerzielle Plattformen: Cradle (NL, EU; ML-gestütztes Protein-Engineering), Generate:Biomedicines, Profluent, Absci, Isomorphic Labs (partnerschaftsbasiert), Angebote auf Basis von NVIDIA BioNeMo sowie Werkzeuge von Schrodinger / Dassault BIOVIA / Chai Discovery / Latent Labs (UK).
• A wählen, wenn: kleines Team ohne ML-Ingenieure, ein klar definiertes Engineering-Ziel (z. B. Enzymstabilität) und Budget für eine Plattform plus Laborpartner oder CRO.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Gehostete Modelle: NVIDIA BioNeMo / NIM-Microservices (OpenFold, Boltz, RFdiffusion, ProteinMPNN), GPU-Instanzen von AWS, Azure und Google Cloud in EU-Regionen, EvolutionaryScale-ESM-Modelle über API/offene Gewichte [7].
• Orchestrierung: Nextflow oder Snakemake plus eine Workflow-Engine; LLM-Agentenschicht für Planung und Berichte.
• B wählen, wenn: Sie individuelle Pipelines und elastische GPU-Kapazität brauchen, wobei Sequenzen möglicherweise schutzbedürftiges geistiges Eigentum sind (Datenverarbeitungsbedingungen prüfen; EU-Regionen und Klauseln gegen Training bevorzugen).

Weg C — Selbst betreiben (Open Source)

• Strukturvorhersage: Boltz-1/Boltz-2 (MIT-Lizenz, enthält Vorhersage der Bindungsaffinität), Chai-1 (Apache 2.0), OpenFold3 (OpenFold-Konsortium, Apache 2.0), ESMFold, ColabFold [5][8]. Code und Gewichte von AlphaFold 3 sind nur unter nicht-kommerziellen akademischen Bedingungen verfügbar [4].
• Design: RFdiffusion, ProteinMPNN, BindCraft, ESM3-open (klein, es gelten nicht-kommerzielle Lizenzbedingungen).
• Hardware: HW3 (eine GPU mit 48-141 GB) für Komplexe üblicher Größe und Design-Kampagnen; HW2 für kleine Monomere; HW4 für Kampagnen im großen Maßstab. Prüfen Sie die Lizenz jedes Modells vor kommerzieller Nutzung.
• Betriebsaufwand: MSA-Datenbanken benötigen mehrere TB Speicher; planen Sie einen ML-/Bioinformatik-Ingenieur ein.

Weg D — Eigenes Training

Feintuning oder Training lohnt sich, wenn Sie eigene Assay-Daten besitzen (tausende gelabelte Varianten) für eine bestimmte Zielklasse wie Antikörper oder Enzyme. Üblich ist ein Property-Prediction-Kopf oder ein feinabgestimmtes Sprachmodell auf öffentlichen Gewichten; ein vollständiges Vortraining eines Strukturmodells erfordert HW5 und ist selten gerechtfertigt.

Stand der Technik (2026)

• Co-Folding-Modelle (AlphaFold 3, Boltz-2, Chai-1, OpenFold3) sagen biomolekulare Komplexe voraus und schätzen inzwischen die Bindungsaffinität ab (Boltz-2) [4][5]. Offene Nachbauten haben einen Großteil des Abstands zu AlphaFold 3 geschlossen, mit freizügigen Lizenzen, die kommerzielle Nutzung erlauben.
• De-novo-Design: Diffusionsbasiertes Design hat funktionale Binder, Enzyme und Antikörperfragmente mit experimentell bestätigter Aktivität hervorgebracht; antikörperspezifische generative Modelle machen in Industrie und Wissenschaft schnelle Fortschritte [6].
• Protein-Sprachmodelle (ESM3 und Nachfolger) erzeugen und bewerten Sequenzen, auch mit Konditionierung auf eine Funktion [7].
• Grenzen und Fehlerbilder: Konfidenzwerte sind nicht gleichbedeutend mit funktionalem Erfolg; Modelle tun sich schwer mit Konformationsdynamik, intrinsisch ungeordneten Bereichen, neuartigen Faltungen weit entfernt von den Trainingsdaten, allosterischen Effekten und Antikörper-Antigen-Docking; das Auswendiglernen von Strukturen aus dem Trainingsset kann Benchmarks aufblähen. Affinitätsvorhersagen bleiben deutlich weniger zuverlässig als Strukturvorhersagen. Validieren Sie immer im Labor.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (scientific-fm, HW3-GPU): SCI-002 (virtuelles Screening und Molekülgenerierung) nutzt dieselben Co-Folding- und Docking-Modelle; SCI-017 (Zielstruktur-Identifikation) liefert Zielproteine; SCI-021 (DNA/RNA-Sequenzdesign) deckt die Gen-/Konstruktseite ab; SCI-009 (Genomik) liefert Varianten, deren strukturelle Wirkung bewertet wird.
• Laborschleife: SCI-007 (selbstfahrende Labore) schließen den Design-Build-Test-Zyklus; SCI-011 (KI-Wissenschaftler-Agenten) steuern Hypothesen und Pipelines.
• Gemeinsame Infrastruktur: GPU-Cluster, MSA-/Sequenzdatenbanken, Workflow-Engine, ELN/LIMS.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis zur Einarbeitung; Plattformabonnement oder Projektgebühren plus Laborkosten, die meist überwiegen.
• Weg B: 2-4 Monate bis zu einer verlässlichen Pipeline; GPU-Stunden fallen neben Synthese und Assays kaum ins Gewicht.
• Weg C: 3-6 Monate; GPU-Server (HW3), Speicher, ML-Ingenieur.
• Weg D: 6-12+ Monate; benötigt umfangreiche eigene Assay-Daten.
• Kennzahlen: experimentelle Trefferquote pro entworfenem Kandidat, Zahl der Design-Build-Test-Zyklen bis zum Erreichen der Zielpotenz, Korrelation zwischen vorhergesagter und gemessener Stabilität/Affinität, Kosten pro validiertem Kandidat, Zeit vom Zielprotein bis zum ersten validierten Binder.

Menschen & Veränderung

Früh einbinden: Die Geschäftsführung (Budget, IP-Richtlinie) und die Abteilungsleitung F&E legen Ziel und Erfolgskriterien fest. Datenverantwortliche (Labor, LIMS/ELN) und die IT geben Daten und GPU-Ressourcen frei. IT-Sicherheit und Recht/Compliance klären IP-Schutz, Exportkontrolle und das Biosecurity-Screening entworfener Sequenzen vor der Synthese. Anwender sind die computergestützt und im Labor arbeitenden Wissenschaftler; binden Sie sie ab dem ersten Pilot ein, nicht erst beim Rollout.

Betriebsrat: abhängig vom Einzelfall. Die Modelle verarbeiten keine personenbezogenen Daten und bewerten keine Beschäftigten. Die Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG wird nur relevant, wenn die Plattform die individuelle Nutzung protokolliert (Job-Warteschlangen, Protokolle auf Nutzerebene) und sich dies zur Leistungsüberwachung eignet - dann vereinbaren Sie Grenzen für die Protokollierung. In jedem Fall unterrichten Sie den Betriebsrat rechtzeitig nach §90 Abs. 1 Nr. 3 BetrVG; öffentliche Institute beteiligen den Personalrat. Details in GUIDE-004.

Datenschutz: in der Regel keine personenbezogenen Daten, daher keine DSFA; klären Sie Benutzerkonten und Protokolle mit dem/der Datenschutzbeauftragten.

KI-Kompetenz: Unterstützen Sie die Wissenschaftler mit einer kurzen Schulung zu Konfidenzwerten, Fehlerbildern und dazu, warum jeder Entwurf eine Laborvalidierung braucht (GUIDE-006, Art. 4 KI-Verordnung).

Kommunikation und Pilot: Beginnen Sie mit einer freiwilligen Gruppe von 3-5 Wissenschaftlern an einem Zielprotein und teilen Sie die Trefferquoten offen (GUIDE-008, GUIDE-009).

Typische Sorgen: Angst, Laborarbeit werde ersetzt (sie verringert Zyklen, nicht Experimente), und vor Black-Box-Ergebnissen. Die Wissenschaftler behalten die Kontrolle: Sie wählen Zielproteine, Filter und das, was synthetisiert wird.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko für Forschung und Entwicklung; wissenschaftliche F&E-Systeme fallen weitgehend nicht in den Anwendungsbereich (Art. 2 Abs. 6), und die KI-Kompetenz (Art. 4) gilt weiterhin für das Personal. Ergebnisse, die in einem Medizinprodukt oder einer klinischen Entscheidung genutzt werden, lösen eigene Regelwerke aus (MDR/IVDR); die Arzneimittelentwicklung folgt den EMA-/GMP-Regeln für das entstehende Produkt, nicht für das Design-Werkzeug.
• DSGVO: in der Regel keine personenbezogenen Daten (Proteinsequenzen). Relevant wird sie, wenn Genom- oder klinische Patientendaten verwendet werden (siehe SCI-009, SCI-017).
• Biosecurity (Dual Use): KI-gestütztes Proteindesign könnte grundsätzlich missbraucht werden, um schädliche Agenzien zu entwerfen. Maßnahmen auf Richtlinienebene: Anbieter nutzen, die Synthese-Bestellungen prüfen (IGSC Harmonized Screening Protocol), die Selbstverpflichtungen der Community zu verantwortungsvollem KI-gestütztem Proteindesign anwenden [9], den Zugang zu Werkzeugen ohne Schutzvorkehrungen beschränken, Audit-Protokolle führen und den/die Biosicherheitsbeauftragte(n) einbinden. In Deutschland/EU können das Gentechnikrecht (GenTG) und die EU-Dual-Use-Ausfuhrregeln (Verordnung 2021/821) für bestimmte Agenzien und Know-how gelten.
• Geistiges Eigentum und Lizenzen: Modelllizenzen unterscheiden sich (nicht-kommerziell vs. freizügig); KI-entworfene Proteine werfen offene Fragen zur Erfinderschaft bei Patenten auf (beim EPA ist ein menschlicher Beitrag erforderlich).
• Vertraulichkeit: Ziel- und Sequenzdaten sind wertvolles geistiges Eigentum; bevorzugen Sie EU-Regionen und vertragliche Klauseln gegen Training.

Erste Schritte

1. Ein konkretes Zielprotein und ein Erfolgskriterium festlegen (z. B. Binder mit nM-Affinität, Enzym mit +X Grad Stabilität).
2. Öffentliche Werkzeuge (AlphaFold Server/DB, Boltz oder Chai auf einer Cloud-GPU) an 5-10 bekannten Komplexen laufen lassen, um gegen bekannte Strukturen zu kalibrieren.
3. Eine kleine Design-Kampagne (zehn bis hunderte Entwürfe) mit RFdiffusion/ProteinMPNN oder einem Anbieter aus Weg A pilotieren, mit Validierung durch eine CRO.
4. Filter, Biosecurity-Screening der Sequenzbestellungen und eine Tracking-Tabelle einrichten, die Vorhersagen mit Assay-Ergebnissen verknüpft.
5. Lizenzen und IP-Position prüfen, bevor die kommerzielle Nutzung beginnt.

Quellen

1. Jumper et al., Highly accurate protein structure prediction with AlphaFold, Nature 2021 - https://www.nature.com/articles/s41586-021-03819-2
2. Nobel Prize in Chemistry 2024 - https://www.nobelprize.org/prizes/chemistry/2024/press-release/
3. AlphaFold Protein Structure Database (EMBL-EBI) - https://alphafold.ebi.ac.uk/
4. Abramson et al., Accurate structure prediction of biomolecular interactions with AlphaFold 3, Nature 2024 - https://www.nature.com/articles/s41586-024-07487-w
5. Boltz (open-source co-folding and affinity) - https://github.com/jwohlwend/boltz
6. Watson et al., De novo design of protein structure and function with RFdiffusion, Nature 2023 - https://www.nature.com/articles/s41586-023-06415-8
7. EvolutionaryScale ESM - https://github.com/evolutionaryscale/esm
8. OpenFold3 - https://github.com/aqlaboratory/openfold-3
9. Community values, guiding principles and commitments for the responsible development of AI for protein design - https://responsiblebiodesign.ai/
10. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj