Die meiste Berichterstattung über KI in der Biologie konzentriert sich auf eine Fähigkeit: das Erstellen von Proteinen von Grund auf. Ein neues Tool, das in Nature veröffentlicht wurde, tut etwas anderes und ist in vielerlei Hinsicht nützlicher. Es nimmt bereits existierende Proteine und passt deren Größe an, macht sie also kleiner oder größer, ohne das zu zerstören, was sie überhaupt erst funktionsfähig macht.
Das Tool heißt Raygun.
Warum das Bearbeiten von Proteinen schwieriger ist als ihr Entwurf
Um zu verstehen, warum Raygun wichtig ist, hilft es, das Problem zu verstehen, das es löst. In den letzten Jahren sind KI-basierte Protein-Sprachmodelle unglaublich leistungsfähig geworden. Diese Systeme werden anhand von Millionen von Proteinsequenzen trainiert und lernen dabei die zugrundeliegenden Muster der Proteinstruktur – ganz ähnlich wie ein Sprachmodell Grammatik aus Text lernt. Sie können mittlerweile völlig neue Proteine generieren, darunter auch Antikörper mit klinischem Potenzial.
Aber ein neues Protein zu entwerfen und ein bestehendes zu modifizieren, sind zwei verschiedene Herausforderungen. Als Forschende versuchten, bestehende KI-Systeme zu nutzen, um natürliche Proteine in ihrer Größe zu verändern oder anzupassen, trat ein anhaltendes Problem auf: Die Modifikationen neigten dazu, entweder die Struktur oder die Funktion des Proteins zu stören. Die Form veränderte sich. Das Verhalten veränderte sich. Das Protein hörte auf, das zu sein, was es sein sollte.
Das ist keine kleinere technische Unannehmlichkeit. Für viele reale Anwendungen in der Biotechnologie wollen Forschende kein völlig neues Protein. Sie wollen eine Version eines bewährten, gut verstandenen Proteins, die in einen anderen Kontext passt. Wie Rohit Singh, ein Computational Biologist an der Duke University in Durham, North Carolina und Co-Autor der Studie, erklärt: Manchmal kann ein kleineres Protein Dinge tun oder an Orte gelangen, an die ein größeres Protein nicht voneinander passt. (Anm.: “where a larger protein cannot” – sinngemäß: an die ein größeres nicht hinkommt)
Wie Raygun das Problem anders angeht
Die meisten Protein-Sprachmodelle stellen Proteine als Aminosäuresequenzen unterschiedlicher Länge dar. Die Herausforderung bei diesem Ansatz besteht darin, dass eine Änderung der Sequenzlänge kettenartig zu strukturellen und funktionalen Veränderungen führt. Die Sequenz ist nicht nur eine Liste; sie kodiert Beziehungen zwischen Teilen des Proteins, die bestimmen, wie es sich faltet und verhält.
Raygun, das auf einem großen Sprachmodell für das Proteindesign namens ESM-2 aufbaut, wählt einen mathematischeren Weg. Anstatt direkt mit Aminosäuresequenzen zu arbeiten, bricht es jedes Protein in Segmente auf und übersetzt die Informationen in den einzelnen Segmenten in numerische Muster. Aus diesen Mustern konstruiert es eine standardisierte Repräsentation des Proteins, die einer definierten Reihe von Regeln folgt. Das Modell lernt diese Regeln, und genau dieses Lernen ermöglicht es ihm, das Protein in verschiedenen Größen zu generieren und dabei seine strukturelle Integrität zu bewahren.
Die Analogie zur natürlichen Evolution ist lehrreich. Raygun nutzt einige derselben grundlegenden Operationen, die auch die Evolution verwendet, um Proteine im Laufe der Zeit zu modifizieren: das Hinzufügen oder Entfernen einzelner Proteinkomponenten (Untereinheiten) oder das Ersetzen einer Untereinheit durch eine andere. Die Evolution gestaltet Proteine normalerweise nicht von Grund auf neu. Sie bastelt daran herum. Raygun ist gewissermaßen eine kontrollierte Version dieses Herumbastelns.
Fajie Yuan, ein Computational Biologist, der an der Westlake University in Hangzhou, China, an Protein-Sprachmodellen arbeitet und nicht an der Forschung beteiligt war, bezeichnet Raygun als einen bedeutungsvollen und kreativen ersten Schritt zur Bearbeitung bestehender Proteine. Die Einordnung ist bewusst gewählt: Dies ist ein Anfang, keine fertige Lösung. Aber sie weist in eine Richtung, die bisherige Tools nicht erreichen konnten.
Was das jenseits des Labors bedeutet
Hier ist, was die meiste Berichterstattung über Protein-KI übersieht: Der Unterschied zwischen Erschaffung und Modifikation ist nicht nur technisch. Er spiegelt eine tiefere Frage darüber wider, wie Wissenschaft in der Praxis tatsächlich funktioniert.
Forschende und Entwickler in der Biotechnologie bauen oft auf dem auf, was sie bereits wissen. Ein Protein mit einem gut dokumentierten Sicherheitsprofil, einem bekannten Wirkungsmechanismus oder einem etablierten Herstellungsprozess repräsentiert jahrelang angesammeltes Wissen. Die Fähigkeit, dieses Protein anzupassen – es kleiner zu machen, damit es eine biologische Barriere überwinden kann, oder größer, damit es länger im Blutkreislauf bleibt –, ohne von vorne anfangen zu müssen, ist keine geringfügige Annehmlichkeit. Es ist eine völlig andere Art von Fähigkeit.
Hier ergänzen KI-Tools wie Raygun wissenschaftliche Teams auf konkrete Weise. Das Volumen möglicher Proteinmodifikationen, die manuell untersucht werden könnten, ist enorm. Computergestützte Tools bewältigen diesen Raum systematisch und geben Forschenden so die Freiheit, sich auf die vielversprechendsten Modifikationen zu konzentrieren und Ergebnisse zu bewerten, anstatt Kandidaten von Hand zu generieren.
Die Studie wurde in Nature veröffentlicht, und die Forschung stellt einen frühen Machbarkeitsnachweis (Proof of Concept) dar. Der Weg von einem Tool, das Hämoglobin in einer kontrollierten Umgebung in der Größe anpassen kann, hin zu einem Tool, das routinemäßig in der Medikamentenentwicklung eingesetzt wird, ist lang. Aber die Richtung ist klar: KI in der Biologie bewegt sich von der reinen Generierung hin zu etwas, das eher dem Bearbeiten gleicht, und dieser Wandel eröffnet eine völlig neue Reihe von Möglichkeiten.
Kurz gesagt
Raygun ist ein KI-Tool, das natürliche Proteine kleiner oder größer machen kann, ohne deren Struktur oder Funktion zu stören. Es tut dies, indem es Proteininformationen in numerische Muster übersetzt und die Regeln erlernt, die die Proteinarchitektur bestimmen, anstatt direkt mit Aminosäuresequenzen zu arbeiten. Die Bedeutung ist nicht nur technischer Natur: Die Fähigkeit, bewährte, existierende Proteine zu modifizieren, anstatt neue von Grund auf zu entwerfen, schließt eine Lücke, die vorherige KI-Systeme nicht füllen konnten, und eröffnet praktische Möglichkeiten für biotechnologische Anwendungen, bei denen Größe und Passform entscheidend sind.
Basierend auf Berichten von Nature: Machine Learning.