Nobelpreis? Ja. Fehlerfrei? Nein – Studie deckt KI-Lücken auf
Studie aus der Schweiz zeigt: Nobelpreis-KI AlphaFold hat Schwächen bei Protein-Liganden-Vorhersagen. Warum Physik in der KI fehlt.
Neue Studie: Nobelpreis-KI scheitert an Physik. Proteinmodelle brauchen echte chemische Regeln.
Foto: Smarterpix / olla.davies
Sie gilt als Meilenstein der Biochemie: Die KI AlphaFold sagte erstmals präzise voraus, wie sich Proteine zu komplexen 3D-Strukturen falten. Gemeinsam mit ähnlichen Systemen wie RosettaFold revolutionierte sie die Forschung – und brachte den Entwicklern 2024 den Chemie-Nobelpreis ein.
Eine neue Studie der Universität Basel zeigt, dass die gefeierten Modelle erstaunliche Schwächen haben. Vor allem dann, wenn sie Strukturen vorhersagen sollen, bei denen ein Protein mit einem anderen Molekül – etwa einem Wirkstoff – interagiert. Diese sogenannten Co-Folding-Modelle scheinen zwar beeindruckend zuverlässig zu arbeiten.
Doch der Schein trügt: „Wir wollten herausfinden, ob diese KI-Modelle tatsächlich verstehen, warum ein Medikament an ein Protein bindet – oder ob sie einfach nur Muster erkennen, die sie schon einmal gesehen haben“, sagt Professor Markus Lill, Leiter des Teams am Departement Pharmazeutische Wissenschaften.
Wenn die KI so tut, als wäre nichts passiert
Das Prinzip dieser Modelle ist schnell erklärt: Sie berechnen, wie sich eine Kette aus Aminosäuren zu einem räumlich gefalteten Protein zusammenfügt – und wie ein sogenannter Ligand daran andocken kann. Für die Pharmaforschung ist das ein Traum, weil sich damit potenzielle Wirkstoffe gezielter entwickeln lassen.
Doch Lill und seine Kolleginnen und Kollegen wurden misstrauisch. Die Erfolgsraten der Systeme erschienen ihnen zu hoch, zumal es weltweit nur rund 100.000 bekannte Proteinstrukturen gibt, die überhaupt zum Training verwendet werden konnten. „Das ist im Vergleich zu anderen KI-Datensätzen extrem wenig“, sagt Lill. Also stellten sie die Programme auf die Probe.
Das Team veränderte Hunderte von Proteinen so, dass die Bindungsstellen für ihre Liganden kaum noch funktionierten – durch Veränderungen der Ladung, der Form oder durch Blockaden, die das Andocken eigentlich unmöglich machen sollten. Doch die KI-Modelle ließen sich davon kaum beeindrucken. Sie sagten dieselben Strukturen voraus, als wäre nichts passiert.
„In mehr als der Hälfte der Fälle hat das Modell einfach so getan, als wäre die Bindung weiterhin möglich“, berichtet Lill. Selbst wenn die Tasche, in der der Wirkstoff normalerweise sitzt, komplett verändert oder zugestopft war, platzierte die KI den Liganden wieder genau dorthin.
Die KI erkennt Muster, aber keine Chemie
Das Basler Team wollte wissen, warum das passiert. Die Antwort ist ernüchternd: Die KI scheint chemische Gesetze gar nicht wirklich zu „verstehen“. Sie erkennt lediglich vertraute Muster aus ihren Trainingsdaten. Wenn sie eine bestimmte Form sieht, „weiß“ sie, dass dort wahrscheinlich ein bestimmtes Molekül sitzt – auch wenn die physikalischen Bedingungen das gar nicht zulassen.
Besonders problematisch wird das, wenn die KI mit völlig neuen Proteinen konfrontiert wird, die sie noch nie gesehen hat. „Wenn sie etwas völlig Neues sieht, versagt sie schnell“, sagt Lill. Doch genau darin liegt die große Chance der Forschung: Unbekannte Strukturen zu entdecken, um neue Medikamente zu entwickeln.
Physik schlägt Statistik
Um die Vorhersagen zu überprüfen, nutzte das Team aufwendige Computersimulationen, die sich an physikalischen Gesetzen orientieren. Dabei zeigte sich: Viele der von der KI vorhergesagten Bindungen sind in der Realität energetisch gar nicht stabil. Die Moleküle würden sich also gar nicht dauerhaft an das Protein heften, wie die KI behauptet.
Damit wird klar: So nützlich die neuen Modelle auch sind – sie dürfen nicht blind vertraut werden. „Die Vorhersagen sind wertvoll, aber sie müssen experimentell überprüft werden“, betont Lill.
Warum das für die Medizin wichtig ist
Proteine sind die Bausteine des Lebens – und in der Medizin zentrale Zielobjekte. Viele Medikamente funktionieren nur, weil sie an ein bestimmtes Protein binden und dessen Funktion beeinflussen. Wenn die KI also fälschlicherweise eine stabile Bindung voraussagt, kann das ganze Forschungsprojekte in die Irre führen.
Gleichzeitig eröffnet die Studie auch Chancen. Denn sie zeigt, wo die Reise hingehen muss: „Die bessere Lösung wäre, die physikalisch-chemischen Gesetze in zukünftige KI-Modelle zu integrieren“, sagt Lill. Wenn es gelingt, Physik und KI enger zu verzahnen, könnten die Systeme deutlich verlässlicher werden – und damit tatsächlich neue Medikamente ermöglichen, die heute noch unmöglich erscheinen.
Ein Beitrag von:
