KI-gestütztes Proteindesign: Wie neuronale Netze Enzyme erschaffen, die in der Natur nicht vorkommen

Die Natur hat Milliarden von Jahren damit verbracht, Enzyme zu entwickeln – Proteine, die chemische Reaktionen beschleunigen und effizienter ablaufen lassen. Doch die natürliche Evolution musste längst nicht alle Probleme lösen, vor denen die moderne Chemie heute steht: von der Herstellung spezieller Arzneimittel bis zur Verarbeitung neuartiger industrieller Materialien. Künstliche Intelligenz eröffnet hier einen anderen Weg. Forschende können inzwischen völlig neue Proteinstrukturen entwerfen, diese im Labor herstellen und überprüfen, ob sie eine bestimmte chemische Reaktion ermöglichen. Bis 2026 ist es auf diese Weise gelungen, funktionsfähige Enzyme mit Strukturen zu entwickeln, die bei ihren natürlichen Gegenstücken nicht vorkommen.

Warum Wissenschaftler Proteine jenseits der natürlichen Evolution entwickeln

Ein Enzym ist ein Protein, das aus einer Kette von Aminosäuren besteht und sich zu einer bestimmten dreidimensionalen Struktur faltet. Innerhalb dieser Struktur befindet sich ein kleiner Bereich, das sogenannte aktive Zentrum, an dem ein chemischer Stoff binden und reagieren kann. Die umgebende Proteinstruktur hält die beteiligten Bestandteile in der richtigen Position. Dadurch können chemische Reaktionen häufig unter wesentlich milderen Bedingungen ablaufen, als es bei herkömmlichen industriellen Verfahren erforderlich wäre. Ein Protein, das innerhalb einer Zelle hervorragend funktioniert, muss jedoch nicht zwangsläufig für einen unbekannten chemischen Stoff, einen industriellen Herstellungsprozess oder ein neu entwickeltes Material geeignet sein.

Seit Jahrzehnten verbessern Wissenschaftler Enzyme, indem sie bestehende Proteine gezielt verändern und anschließend untersuchen, welche Varianten bessere Ergebnisse liefern. Dieses Verfahren wird als gerichtete Evolution bezeichnet und gehört weiterhin zu den wichtigsten Methoden der Enzymforschung. Allerdings benötigen Forschende normalerweise ein geeignetes Ausgangsenzym oder zumindest ein Protein, das bereits eine gewisse katalytische Aktivität besitzt. Das sogenannte De-novo-Design verfolgt einen anderen Ansatz: Zunächst wird festgelegt, welche Aufgabe ein Protein erfüllen soll. Anschließend versuchen die Wissenschaftler, eine völlig neue Proteinstruktur zu entwickeln, die genau diese Funktion übernehmen kann.

Die Formulierung „in der Natur nicht vorkommend“ muss dabei differenziert betrachtet werden. Ein künstlich entwickeltes Enzym kann eine neue Aminosäuresequenz, eine bislang unbekannte räumliche Struktur oder eine Anordnung chemischer Gruppen besitzen, die bei bekannten Proteinen nicht beobachtet wurde. Einige der bedeutendsten neueren Forschungsarbeiten bilden bewusst bekannte chemische Reaktionen innerhalb vollständig neuartiger Proteinstrukturen nach. So lässt sich besonders zuverlässig überprüfen, ob die eingesetzte Entwicklungsmethode funktioniert. Andere Experimente konzentrieren sich auf Reaktionen, die natürliche Enzyme nur selten oder möglicherweise überhaupt nicht katalysieren. Beide Forschungsrichtungen sind wichtig, beantworten jedoch unterschiedliche Fragen darüber, was künstliche Intelligenz tatsächlich neu erschaffen kann.

Was neuronale Netze über die Struktur von Proteinen lernen

Neuronale Netze erkennen Zusammenhänge anhand umfangreicher Sammlungen von Proteinsequenzen, experimentell bestimmten Strukturen und wissenschaftlichen Beobachtungen. Während des Trainings lernen sie beispielsweise, welche Aminosäuren wahrscheinlich zusammenpassen, welche räumlichen Formen physikalisch plausibel sind und wie sich eine Veränderung an einer Stelle des Proteins auf andere Bereiche auswirken könnte. Das bedeutet allerdings nicht, dass die Software sämtliche chemischen Vorgänge vollständig versteht. Vielmehr können Wissenschaftler mithilfe solcher Modelle eine enorme Anzahl möglicher Proteinentwürfe wesentlich gezielter untersuchen, als es durch das zufällige Testen verschiedener Kombinationen möglich wäre.

Die unterschiedlichen KI-Werkzeuge übernehmen dabei verschiedene Aufgaben. AlphaFold hat die Vorhersage von Proteinstrukturen erheblich vereinfacht. Die 2024 in der Fachzeitschrift Nature vorgestellte Weiterentwicklung AlphaFold 3 erweiterte diese Möglichkeiten auf Wechselwirkungen zwischen Proteinen, kleinen Molekülen und weiteren biologischen Bestandteilen. Solche Vorhersagen helfen Forschenden einzuschätzen, wie sich ein entworfenes Enzym möglicherweise faltet oder wie ein Molekül in dessen aktives Zentrum passt. Sie beweisen allerdings noch nicht, dass die gewünschte chemische Reaktion tatsächlich stattfinden wird.

Generative KI-Modelle beschäftigen sich dagegen mit der Entwicklung neuer Strukturen. Das 2023 vorgestellte Verfahren RFdiffusion kann das strukturelle Grundgerüst eines Proteins um eine vorgegebene Anordnung funktioneller oder struktureller Bestandteile herum aufbauen. Es beschränkt sich somit nicht darauf, die Form einer bereits bekannten Aminosäuresequenz vorherzusagen. Andere Modelle, darunter ProteinMPNN und verwandte Werkzeuge, helfen dabei, Aminosäuresequenzen auszuwählen, die die entworfenen Proteinstrukturen voraussichtlich stabilisieren. Welche chemische Reaktion untersucht werden soll, welche Anforderungen das aktive Zentrum erfüllen muss und welche Entwürfe experimentell getestet werden, entscheiden weiterhin die Wissenschaftler.

Wie künstliche Intelligenz aus einer chemischen Aufgabe ein funktionsfähiges Enzym entwickelt

Am Anfang des Entwicklungsprozesses steht häufig keine Proteinstruktur, sondern eine bestimmte chemische Umwandlung. Die Forschenden legen fest, welche chemische Bindung gebrochen oder gebildet werden soll, und untersuchen, welche chemischen Gruppen diesen Vorgang unterstützen könnten. Das aktive Zentrum eines Enzyms muss diese Gruppen in einer genau abgestimmten räumlichen Anordnung nahe am reagierenden Molekül positionieren. Moderne KI-Systeme können helfen, eine geeignete Proteinstruktur um diese katalytisch wirksamen Bestandteile herum zu entwickeln. Wissenschaftler müssen dadurch nicht mehr ausschließlich in vorhandenen Proteinen nach einem geeigneten Bereich für die gewünschte Reaktion suchen.

Im nächsten Schritt erzeugen die Modelle zahlreiche mögliche Strukturen und schlagen passende Aminosäuresequenzen vor. Anschließend prüfen Computerprogramme, ob sich die jeweiligen Proteine voraussichtlich korrekt falten, ob das aktive Zentrum seine vorgesehene Form behält und ob das reagierende Molekül ausreichend Platz findet. Einige neuere Verfahren berücksichtigen dabei mehrere Phasen der chemischen Reaktion. Das ist wichtig, weil ein funktionierendes Enzym nicht nur eine einzige starre Molekülstruktur stabilisieren darf, sondern verschiedene aufeinanderfolgende Veränderungen ermöglichen muss. Diese Vorauswahl reduziert den experimentellen Aufwand erheblich. Dennoch bleibt selbst ein besonders vielversprechender Proteinentwurf zunächst eine wissenschaftliche Hypothese, bis seine Funktion im Labor nachgewiesen wurde.

Die experimentelle Überprüfung ist deshalb ein unverzichtbarer Bestandteil des gesamten Verfahrens. Wissenschaftler lassen normalerweise DNA herstellen, die den Bauplan für das ausgewählte Protein enthält. Mithilfe lebender Zellen wird das Protein anschließend produziert, gereinigt und mit dem vorgesehenen Ausgangsstoff zusammengebracht. Die Forschenden messen, ob das erwartete Reaktionsprodukt entsteht, wie schnell die Umwandlung abläuft und wie zuverlässig das Enzym arbeitet. Kontrollversuche sollen sicherstellen, dass die beobachtete Reaktion tatsächlich auf das entwickelte Protein zurückzuführen ist und nicht unabhängig davon stattfindet. Ein positives Ergebnis bestätigt die katalytische Aktivität. Weitere Untersuchungen müssen jedoch zeigen, ob das Enzym ausreichend selektiv, beständig und auch außerhalb streng kontrollierter Laborbedingungen einsetzbar ist.

Welche wissenschaftlichen Durchbrüche das Potenzial künstlicher Enzyme belegen

Eine 2025 in der Fachzeitschrift Science veröffentlichte Studie beschrieb neu entwickelte Serinhydrolasen. Diese Enzyme spalten bestimmte chemische Bindungen mithilfe einer aufeinander abgestimmten Gruppe von Aminosäuren. Die Forschenden kombinierten RFdiffusion mit einem weiteren neuronalen Netzwerk, um zu untersuchen, ob das aktive Zentrum während mehrerer Schritte einer chemischen Reaktion funktionsfähig bleiben würde. Die experimentellen Ergebnisse zeigten katalytische Effizienzen von bis zu 4.300 M⁻¹ s⁻¹. Diese Kenngröße dient dazu, die Leistungsfähigkeit eines Enzyms zu bewerten. Darüber hinaus stimmten die tatsächlich gemessenen Proteinstrukturen weitgehend mit den Vorhersagen überein. Besonders bemerkenswert war, dass die neu entwickelten Enzyme andere Faltungsmuster besaßen als ihre natürlichen Verwandten.

Ein weiterer Fortschritt wurde in einer Studie vorgestellt, die im Dezember 2025 online erschien und in der Januarausgabe 2026 der Fachzeitschrift Nature veröffentlicht wurde. Die Wissenschaftler präsentierten das Verfahren Riff-Diff, das KI-generierte Proteinstrukturen mit einer detaillierten Optimierung ihrer katalytischen Zentren verbindet. Damit entwickelten sie Enzyme für zwei unterschiedliche chemische Reaktionen: die Retro-Aldol-Spaltung und die Morita–Baylis–Hillman-Reaktion, bei der eine neue Kohlenstoff-Kohlenstoff-Bindung entsteht. Die strukturelle Untersuchung von sechs Entwürfen bestätigte außerdem eine bemerkenswert hohe Übereinstimmung zwischen den geplanten und den tatsächlich entstandenen aktiven Zentren. Die Ergebnisse zeigten, dass sich präzise angeordnete katalytische Bestandteile innerhalb neuartiger Proteinstrukturen herstellen lassen.

In einer weiteren Nature-Studie aus dem Jahr 2026 verwendeten Forschende RFdiffusion2, um zinkhaltige Enzyme zu entwickeln, die mithilfe von Wasser chemische Bindungen spalten können. Zunächst wurden 96 Entwürfe experimentell getestet, anschließend weitere 96. Dabei identifizierten die Wissenschaftler mehrere katalytisch aktive Proteine. Die leistungsfähigsten Entwürfe aus der zweiten Versuchsreihe erreichten katalytische Effizienzen von bis zu 53.000 M⁻¹ s⁻¹. Die experimentell bestimmte Kristallstruktur eines Proteins stimmte zudem weitgehend mit der computergestützten Vorhersage überein. Eine verwandte Forschungsarbeit in Nature Methods zeigte, dass RFdiffusion2 bei einem computergestützten Vergleich alle 41 untersuchten Anordnungen aktiver Zentren berücksichtigen konnte, während ein früheres Verfahren lediglich 16 bewältigte.

Welche Veränderungen künstliche Enzyme in der Praxis ermöglichen könnten

Die Medizin und die Herstellung spezieller chemischer Verbindungen gehören zu den besonders interessanten Anwendungsgebieten. Manche chemischen Stoffe können in zwei spiegelbildlichen Molekülformen vorkommen, obwohl für ein Arzneimittel möglicherweise nur eine dieser Formen erwünscht ist. Enzyme können bestimmte Molekülformen bevorzugt herstellen und dadurch unerwünschte Nebenprodukte sowie zusätzliche Reinigungsschritte reduzieren. In einer 2025 in Science veröffentlichten Forschungsarbeit entwickelten Wissenschaftler neue Proteine um metallhaltige Moleküle herum. Dabei entstanden Katalysatoren für verschiedene Reaktionen, darunter die Cyclopropanierung. Vier von zehn getesteten Entwürfen erreichten ein Verhältnis von mehr als 99:1 zugunsten einer der beiden spiegelbildlichen Produktformen.

Auch im Umweltschutz könnten Enzyme mit neu entwickelten Eigenschaften eine wichtige Rolle übernehmen. Das häufig erwähnte Enzym FAST-PETase verdeutlicht sowohl das Potenzial als auch einen wesentlichen Unterschied zwischen den verschiedenen Forschungsansätzen. In der 2022 in Nature veröffentlichten Studie wurde maschinelles Lernen eingesetzt, um ein bereits vorhandenes kunststoffabbauendes Enzym zu verbessern, anstatt ein vollständig neues Protein zu entwickeln. In Laborversuchen berichteten die Forschenden über einen nahezu vollständigen Abbau von Proben aus 51 Arten gebrauchter PET-Verpackungen innerhalb einer Woche. Diese Ergebnisse zeigten, wie KI-gestützte Enzymoptimierung das Recycling unterstützen könnte. Sie bedeuteten jedoch nicht, dass sich damit sämtliche Kunststoffarten bereits im industriellen Maßstab verarbeiten lassen.

Auch die Lebensmittelproduktion, die Textilindustrie und die Herstellung hochwertiger Spezialchemikalien könnten von Enzymen profitieren, die gezielt für bestimmte Materialien und Produktionsbedingungen entwickelt werden. Anstatt einen gesamten Herstellungsprozess an ein empfindliches natürliches Protein anzupassen, könnten Wissenschaftler Katalysatoren entwickeln, die bestimmte Temperaturen, Säuregrade oder Lösungsmittel besser vertragen. Ob daraus tatsächlich praktische Vorteile entstehen, hängt allerdings vom vollständigen Produktionsprozess ab. Entscheidend sind unter anderem die Herstellungskosten des Proteins, seine langfristige Aktivität und die Möglichkeit, es mehrfach zu verwenden. Ein sinnvoller Vergleich beschränkt sich daher nicht auf künstliche und natürliche Enzyme, sondern berücksichtigt ebenso Wirtschaftlichkeit, Zuverlässigkeit und Umweltbelastung des gesamten Verfahrens.

Welche Grenzen das KI-gestützte Proteindesign auch 2026 noch hat

Die größte wissenschaftliche Herausforderung besteht darin, dass die Aktivität eines Enzyms nicht allein von seiner räumlichen Struktur abhängt. Auch die Beweglichkeit des Proteins und die einzelnen chemischen Vorgänge spielen eine entscheidende Rolle. Ein aktives Zentrum kann exakt der geplanten Form entsprechen und dennoch falsch mit Wasser reagieren, sein Zielmolekül zu stark binden oder das entstandene Produkt nicht ausreichend freigeben. Manche chemischen Reaktionen durchlaufen mehrere Phasen, in denen jeweils eine etwas andere räumliche Anordnung der beteiligten Atome erforderlich ist. Neuere KI-Verfahren können solche Veränderungen zunehmend besser berücksichtigen. Dennoch übertreffen natürliche Enzyme viele künstlich entwickelte Varianten weiterhin deutlich. Laboruntersuchungen bleiben deshalb notwendig, um tatsächlich brauchbare Katalysatoren von Proteinen zu unterscheiden, die lediglich in der Computersimulation vielversprechend erscheinen.

Weitere praktische Schwierigkeiten treten selbst dann auf, wenn eine gewünschte Reaktion erfolgreich nachgewiesen wurde. Manche künstlichen Proteine lassen sich nur schwer in größeren Mengen herstellen. Andere verlieren während der Lagerung oder unter industriellen Bedingungen einen erheblichen Teil ihrer Aktivität. Forschende müssen außerdem unerwünschte Nebenreaktionen, die Reproduzierbarkeit der Ergebnisse, mögliche Sicherheitsrisiken und den Einfluss zusätzlicher Stoffe in realen Produktionsgemischen untersuchen. Bei medizinischen Anwendungen sind weitere Nachweise zur Qualität und Eignung für den vorgesehenen Verwendungszweck erforderlich. Verantwortungsvolle Forschung bedeutet deshalb auch, bestehende Einschränkungen ebenso klar darzustellen wie wissenschaftliche Erfolge.

Bis 2026 hat sich die KI-gestützte Entwicklung künstlicher Enzyme von einer vielversprechenden wissenschaftlichen Idee zu einem experimentell bestätigten Forschungsansatz entwickelt. Wissenschaftler haben bislang unbekannte Proteinstrukturen hergestellt, ihre räumliche Form durch Messungen überprüft und nachgewiesen, dass sie bestimmte chemische Reaktionen katalysieren können. Die nächste Herausforderung besteht darin, solche Erfolge zuverlässiger und häufiger zu erreichen: für mehr Reaktionstypen, mit weniger erfolglosen Entwürfen und mit Enzymen, die auch unter anspruchsvollen praktischen Bedingungen leistungsfähig bleiben. Die entscheidende Veränderung liegt nicht darin, dass Computer die Laborforschung ersetzen. Vielmehr können Wissenschaftler heute von einer konkreten chemischen Aufgabe ausgehen und gezielt versuchen, ein völlig neues Protein für deren Lösung zu entwickeln.