AlphaFold

AlphaFold ist ein von DeepMind entwickeltes System zur Vorhersage der dreidimensionalen Struktur von Proteinen aus deren Aminosäuresequenz. Für die Arbeit daran erhielten Demis Hassabis und John Jumper 2024 gemeinsam mit David Baker den Nobelpreis für Chemie.

Zusammenfassung

Die Frage, wie sich eine lineare Aminosäurekette zu einer bestimmten räumlichen Struktur faltet, galt fünfzig Jahre lang als eines der großen ungelösten Probleme der Biologie.

Da die Funktion eines Proteins von seiner Form abhängt, war die experimentelle Strukturbestimmung – aufwendig, langsam und nicht für jedes Protein möglich – ein Engpass der gesamten Biowissenschaft. AlphaFold 2 erreichte 2020 im Vergleichswettbewerb CASP eine Genauigkeit, die experimentellen Verfahren nahekommt.

DeepMind veröffentlichte anschließend die vorhergesagten Strukturen nahezu aller bekannten Proteine frei zugänglich; über drei Millionen Forschende weltweit nutzen die Datenbank. AlphaFold gilt damit als das bislang deutlichste Beispiel dafür, dass KI-Verfahren wissenschaftliche Grundlagenprobleme lösen können – und ist zugleich Gegenstand einer Debatte darüber, wie tragfähig diese Ausrichtung im Wettbewerb um Sprachmodelle ist.

Das Problem

Proteine bestehen aus Ketten von Aminosäuren, die sich spontan zu einer charakteristischen räumlichen Struktur falten. Diese Struktur bestimmt die Funktion – welche Moleküle das Protein bindet, welche Reaktionen es katalysiert.

Die theoretische Schwierigkeit ist erheblich: Die Zahl möglicher Faltungen einer typischen Kette übersteigt jede durchsuchbare Größenordnung, und dennoch findet das Molekül in der Zelle binnen Millisekunden die richtige. Die Bestimmung erfolgte deshalb experimentell, über Röntgenkristallographie oder Kernspinresonanz – Verfahren, die Monate bis Jahre je Protein beanspruchen und bei manchen Proteinklassen versagen.

Entwicklung

Der Durchbruch von 2020 erfolgte im Rahmen von CASP, einem seit 1994 zweijährlich ausgetragenen Vergleichswettbewerb, bei dem Verfahren an Strukturen geprüft werden, die experimentell bereits bestimmt, aber noch nicht veröffentlicht sind. Diese Anlage schließt aus, dass Ergebnisse aus bekanntem Material stammen – ein Gegenstück zu den Neuartigkeitsanforderungen an KI-Benchmarks.

2021 veröffentlichte DeepMind das Verfahren in Nature sowie die Strukturen des vollständigen menschlichen Proteoms; 2022 folgte die Ausweitung auf nahezu alle bekannten Proteine in einer frei zugänglichen Datenbank.

AlphaFold 3 (Mai 2024) erweiterte die Vorhersage auf das Zusammenspiel von Proteinen mit DNA, RNA und kleinen Molekülen – der für die Arzneimittelentwicklung entscheidende Fall. Anders als die Vorgängerversion wurde AlphaFold 3 zunächst nicht quelloffen bereitgestellt, sondern über einen Server für nichtkommerzielle Forschung zugänglich gemacht, was in der Fachwelt kritisiert wurde.

Nobelpreis 2024

Die Königlich Schwedische Akademie der Wissenschaften sprach die eine Hälfte des Chemie-Nobelpreises 2024 David Baker für rechnergestützten Proteinentwurf zu, die andere gemeinsam Hassabis und Jumper für die Strukturvorhersage. Es war die erste Auszeichnung, die unmittelbar Arbeiten eines industriellen KI-Labors betraf.

Auflösung des Teams 2026

Im Juli 2026 löste Google DeepMind das AlphaFold-Team auf. Ein Teil der Mitarbeitenden wurde auf Gemini-Vorhaben verlagert, ein weiterer zur Alphabet-Tochter Isomorphic Labs versetzt, die auf Arzneimittelentwicklung ausgerichtet ist.

Vorausgegangen war der Weggang von John Jumper, der das Unternehmen im Juni 2026 nach fast neun Jahren verließ und zu Anthropic wechselte; die Koautoren Jonas Adler und Alexander Pritzel folgten ihm.

Aufgelöst wurde die Arbeitsgruppe, nicht das System: Die Strukturdatenbank mit über 200 Millionen Vorhersagen, der AlphaFold Server und AlphaFold 3 für den akademischen Gebrauch bleiben verfügbar.

Der Vorgang wird unterschiedlich bewertet. Als organisatorische Konsequenz lässt er sich damit begründen, dass die ursprüngliche Aufgabe im Wesentlichen gelöst und die Weiterentwicklung bei Isomorphic Labs besser aufgehoben ist. Als Signal gelesen, steht er für eine Verschiebung der Prioritäten: von wissenschaftlicher Grundlagenarbeit zur Modellentwicklung im unmittelbaren Wettbewerb.

Einordnung

AlphaFold ist der stärkste Beleg für die Position, dass KI-Verfahren nicht nur Aufgaben automatisieren, sondern wissenschaftliche Erkenntnis ermöglichen. Es ist zugleich ein enges System im Sinne der Abgrenzung von ANI und AGI – es löst genau ein Problem und keine anderen.

Der Fall stützt damit beide Seiten der AGI-Debatte: Er zeigt, dass eng zugeschnittene Systeme Wirkung von historischem Ausmaß entfalten können, ohne allgemein zu sein – und dass die Frage nach Allgemeinheit für die Bewertung des Nutzens nicht immer die entscheidende ist.

Was AlphaFold nicht leistet

Die Wirkung des Systems wird in der öffentlichen Darstellung regelmäßig überdehnt, weshalb die Grenzen ebenso festzuhalten sind wie die Leistung.

Vorhergesagt wird eine Struktur, nicht ein Verhalten. Proteine sind keine starren Gebilde; sie bewegen sich, falten sich um, nehmen je nach Umgebung unterschiedliche Formen an und wirken oft gerade durch diese Beweglichkeit. Was das System liefert, ist am ehesten eine wahrscheinliche Ruhelage – nützlich als Ausgangspunkt, aber keine Beschreibung des Moleküls in Aktion.

Die Zuverlässigkeit ist ungleich verteilt. Für Bereiche mit vielen bekannten Verwandten sind die Vorhersagen ausgezeichnet, für ungewöhnliche oder wenig untersuchte Proteine deutlich schwächer. Das System liefert zu jeder Vorhersage ein Vertrauensmaß mit; wird dieses ignoriert – was in der Weiterverwendung häufig geschieht –, gehen gut und schlecht belegte Angaben ununterscheidbar in nachfolgende Arbeiten ein.

Der Vorgang selbst bleibt unerklärt. Das System sagt vorher, wie ein Protein aussieht, nicht warum es sich so faltet. Die biophysikalische Frage, die das Feld seit Jahrzehnten beschäftigt, ist damit nicht beantwortet, sondern umgangen – ein Muster, das sich bei erfolgreichen KI-Anwendungen in den Naturwissenschaften wiederholt und die Frage aufwirft, ob solche Systeme Erkenntnis erzeugen oder lediglich Ergebnisse.

Die Abhängigkeit von experimentellen Daten bleibt. Trainiert wurde auf jahrzehntelang gesammelten, experimentell bestimmten Strukturen. Die Vorhersage ersetzt das Experiment nicht, sondern zehrt von ihm; ob die dafür nötige experimentelle Arbeit weiterhin in gleichem Umfang gefördert wird, wenn Vorhersagen billiger zu haben sind, ist eine offene forschungspolitische Frage.

Verwandte Begriffe

• Google DeepMind – Entwicklerorganisation
• Demis Hassabis – Projektleiter, Nobelpreisträger 2024
• AlphaGo – vorangegangenes Vorhaben mit verwandten Verfahren
• ANI – Kategorie, der AlphaFold zuzurechnen ist
• Gemini – Vorhaben, auf das Personal verlagert wurde
• Anthropic – Unternehmen, zu dem Jumper wechselte
• Transformer – in AlphaFold 2 verwendete Architekturbestandteile
• Benchmark-Kontamination – Problem, dem die CASP-Anlage begegnet

Quellenangaben

1. Abramson, Josh u. a., 2024. Accurate Structure Prediction of Biomolecular Interactions with AlphaFold 3. In: Nature 630 (8016), S. 493–500. DOI: 10.1038/s41586-024-07487-w.
2. Engadget (2026): Google DeepMind disbands its Nobel-prize winning AlphaFold team. Juli 2026.
3. Google DeepMind, o. J. AlphaFold. https://deepmind.google/science/alphafold/
4. Jumper, John / Evans, Richard / Pritzel, Alexander u. a., 2021. Highly Accurate Protein Structure Prediction with AlphaFold. In: Nature 596 (7873), S. 583–589. DOI: 10.1038/s41586-021-03819-2.
5. Königlich Schwedische Akademie der Wissenschaften, 2024. The Nobel Prize in Chemistry 2024. Pressemitteilung, 9. Oktober 2024.
6. Varadi, Mihaly u. a. (2022): AlphaFold Protein Structure Database. In: Nucleic Acids Research 50 (D1), S. D439–D444.

← Zurück zur Lexikon-Übersicht

Zuletzt bearbeitet: 10. August 2026

Zusammengestellt, formuliert, lektoriert und korrigiert mit KI-Unterstützung. Kuratiert von Nils Brauer. Alle Angaben ohne Gewähr.