#Künstliche Intelligenz macht ernst im Biolabor

„Tja, wenn ein Computerprogramm den Nobelpreis gewinnen könnte….“. Richard Dawkins, einer der arrivierten, international bekanntesten Evolutionsbiologen aus England, alles andere jedenfalls als ein Wissenschaftler im Silicon-Valley-Fieber, hat in seinem Tweet die Begeisterung für den jüngsten Erfolg des Google-Ablegers „DeepMind“ auf den Punkt gebracht. Die Hardcore-Fans Künstlicher Intelligenz (KI) werden womöglich mit den Schultern zucken, der Gebrauchswert von „AlphaFold“ im Alltag und zur Befriedigung des Spieltriebs ist überschaubar. Für die Biologie allerdings im Allgemeinen und die Bioinformatik im Besonderen ist den Experten kein Superlativ zu schade. Vom Heiligen Gral der Biologie ist die Rede, was allerdings voraussetzt, dass es in der Biologie viele Heilige Grale geben muss, so oft wie dieses Wort in den vergangenen siebzig Jahren Bioforschung schon gefallen ist.  Deshalb zuerst kurz erklärt, was genau die neue Version der Deep-Mind-KI nun geschafft hat, was Bioinformatikern aus Fleisch und Blut Jahrzehnte lang nicht vergönnt war. Eine neue Entwicklungsstufe von „AlphaFold“ soll das Proteinfaltungsproblem gelöst haben. Seit mehr als einem halben Jahrhundert, eigentlich seit Beginn der Molekularbiolgie, die in den fünfziger Jahren mit der Entzifferung der DNA-Doppelhelix so richtig Fahrt aufgenommen hatte, versucht man, dieses Problem zu lösen. Wie entsteht aus einer im Erbgut programmierten Abfolge von  Aminosäuren die dreidimensionale Gestalt des Proteins? Mit anderen Worten: Wie wird aus einer Kette ein Körper. Ein Protein – und davon gibt es Millionen verschiedene im Körper – kann aus Dutzenden oder Tausenden von aneinander geketteten Aminosäure-Bausteinen aufgebaut sein.

Die Art und Weise aber, wie diese Kettenglieder bei der Bildung durch Ribosomen im Zellplasma miteinander chemische Bindungen eingehen, ist aus dem genetischen Code nicht ablesbar. Für ein Protein, das aus mehr als Hunderten Aminosäuren besteht, gehen die Möglichkeiten der „Verklumpung“  rechnerisch in astronomische Höhen. Deshalb war die Biologie bei der Aufklärung der Proteinstruktur immer auf viele, extrem aufwändige Präparations- und Analysetechniken angewiesen – auf Röntgentechniken etwa oder auf die Elektronenmikroskopie. Warum die Vorhersage der 3D-Struktur so wichtig ist, lässt sich in der Covid-19-Krise besonders gut verstehen: Nur, wenn unsere Antikörper und Immunzellen ganz exakt an die empfindliche Stelle des Coronavirus binden, sind die Immunwaffen in der Lage, den Erreger am Eintritt in die Zellen zu behindern und damit unschädlich zu machen. Für die Pharmabranche ist die KI deshalb besonders vielversprechend.  Hätte man die Proteinfaltung im Griff, könnte man viel schneller und gezielter Arzneimittel entwickeln.

Eine goldene Nuss also, die bisher nur keiner knacken konnte. Bis eben jetzt eben, behauptet DeepMind.  

Bei der KI, die der Firma zufolge das Proteinfaltungsproblem weitgehend gelöst haben will, handelt es sich um ein tiefes neuronales Netzwerk der neuesten Generation. Komplizierte Proteine aus vielen Untereinheiten können damit aber offenbar noch nicht vorhergesagt werden, sondern nur „Single Domain“-Proteine. Auch die Veränderungen, die Proteine durch Veränderungen der Umwelt oder durch pathologische Fehlbildungen annehmen können, sind für die KI offenbar noch nicht dechiffrierbar. Noch ist auch in technischer Hinsicht das KI-Geheimnis von AlphaFold  nicht in allen Details offen gelegt. Es gibt weder den Quellcode noch eine aktuelle Publikation. Immerhin: DeepMind will demnächst ein Methodenpaper publizieren. Beim diesjährigen Branchenwettbewerb CASP14  („Critical Assessment of protein Structure Prediction) soll AlphaFold aber schon sein Potential gezeigt haben – geprüft von unabhängigen Experten sozusagen. Die dreidimensionale Faltungsstruktur von 70 der im Wettbewerb zu lösenden 100 Proteinsequenzen sollen mit der  selbstlernenden Maschine so präzise vorhergesagt worden sein wie Experimentatoren, die zeitgleich ihre Strukturvorhersagen auf der Basis von experimentellen Verfahren wie der Kristallstrukturanalyse mit Röntgenstrahlen, Cryo-Elektronen-Tomographie oder der multidimensionalen NMR-Spektroskopie machten.