Forscher des Shanghai Institute of Organic Chemistry an der Chinesischen Akademie der Wissenschaften haben ein generatives künstliches Intelligenzmodell entwickelt, das Protein-Protein-Wechselwirkungen mit atomarer Auflösung vorhersagt, so eine Studie, die am 9. Juni 2026 in den Proceedings of the National Academy of Sciences (PNAS) veröffentlicht wurde. Das Modell mit dem Namen Void-X verfolgt einen grundlegend anderen Ansatz beim Proteindesign, indem es Schnittstellen von einzelnen Atomen aufwärts baut, anstatt zuerst eine Gesamtform des Proteins zu formen.
Die Arbeit unter der Leitung von Dr. Yang Jing, Yuan Junying und James J. Chou wurden von der Chinesischen Akademie der Wissenschaften hervorgehoben und von Phys.org berichtet. Es fügt einem schnelllebigen Bereich, in dem KI zunehmend zur Entwicklung molekularer Maschinen eingesetzt wird, die Grundlage für Medikamente, Materialien und synthetische Biologie sind, ein neues Werkzeug hinzu. Weitere Informationen zu dieser Geschichte finden Sie in unserer KI-Nachrichten.
Warum Protein-Protein-Wechselwirkungen wichtig sind
Proteine sind die molekularen Arbeitspferde des menschlichen Körpers. Sie bauen Gewebe auf, transportieren Moleküle, regulieren die Zellkommunikation und schützen vor Infektionen. Viele der wichtigsten Medikamente – darunter Antikörpertherapien gegen Krebs und Insulin gegen Diabetes – wirken, indem sie mit bestimmten Proteinen interagieren oder solche ersetzen, die fehlen oder nicht richtig funktionieren.
Da so viele biologische Prozesse davon abhängen, wie Proteine aneinander binden, könnte die Fähigkeit, Protein-Protein-Wechselwirkungen genau vorherzusagen und zu manipulieren, die Entdeckung von Medikamenten beschleunigen und ungedeckten medizinischen Bedarf decken. Fortschritte hier ergänzen auch schnelle Fortschritte bei Abgabetechnologien wie Adeno-assoziierten Virusvektoren und mRNA-Lipid-Nanopartikeln, die therapeutische Moleküle in Zellen befördern.
Ein Bottom-Up-Ansatz statt Top-Down
Die meisten vorhandenen KI-Frameworks für das Proteindesign folgen einer Top-Down-Strategie: Sie generieren zunächst ein Gesamtproteingerüst, das zu einer Zielstelle passt, und entwerfen dann eine Sequenz zur Optimierung der Bindung. Void-X kehrt diese Logik um.
Das Modell ist ein atomares Füllsystem. Es ist darauf trainiert, Interaktionsmuster auf atomarer Ebene zu erkennen und die „Lücken“ – die Lücken – innerhalb von Proteinschnittstellen zu füllen. Seine Leitannahme ist, dass stabile makromolekulare Komplexe durch eine optimale Atompackung zusammengehalten werden, die aus lokalen Wechselwirkungen zwischen benachbarten Atomen sowie Kopplungen höherer Ordnung mit weiter entfernten Atomen entsteht. Anstatt eine komplette Proteinform zu entwerfen, erzeugt Void-X direkt kompakte Atomcluster, die für eine dichte Packung innerhalb eines bestimmten Strukturbereichs optimiert sind, und verleiht dem Design so eine physikalisch fundierte Grundlage.
Auf acht Millionen Atomclustern trainiert
Um Void-X zu trainieren, stellten die Forscher einen Datensatz von mehr als acht Millionen kugelförmigen Atomclustern zusammen, die aus experimentell bestimmten Strukturen stammten, die in der Proteindatenbank hinterlegt waren. Für jeden Cluster wurden etwa 30 % der peripheren, räumlich benachbarten Atome maskiert, während die übrigen Atome als „Kontext“ – praktisch als Hinweis – dienten, den das Modell zur Vorhersage der fehlenden Atome verwendete.
Das resultierende Netzwerk enthält 172 Millionen Parameter und erreichte eine hohe Vorhersagegenauigkeit: 78,3 % für Intra-Chain-Atomcluster und 68,2 % für Inter-Chain-Cluster, berichteten die Forscher.
Was es für die Arzneimittelforschung und darüber hinaus bedeutet
Laut den Autoren ermöglichen diese Fähigkeiten die De-novo-Generierung von Proteininteraktionen mit atomarer Auflösung und bieten damit einen komplementären und physikalisch intuitiven Weg für das Proteindesign. Durch die Kombination von Details auf atomarer Ebene mit generativer Modellierung erweitert Void-X das Toolkit für die rationale Konstruktion biomolekularer Schnittstellen.
Das ist wichtig, denn das Interface-Design steht im Mittelpunkt der modernen Arzneimittelentwicklung. Bessere Rechenwerkzeuge zur Vorhersage, wie ein Kandidatenmolekül an sein Proteinziel bindet, können den Weg von der Idee zur Therapie verkürzen, die Abhängigkeit von kostspieligen Versuch-und-Irrtum-Experimenten verringern und es einfacher machen, Proteine für völlig neue Funktionen in der synthetischen Biologie zu entwerfen.
Ein wachsendes Feld
Void-X erscheint inmitten einer Welle KI-gesteuerter Proteinarbeit. Von der Strukturvorhersage bis hin zum generativen Design aller Atome streben Forscher stetig nach der Möglichkeit, biomolekulare Wechselwirkungen mit voller atomarer Auflösung zu modellieren. Frühere rein atomare generative Systeme haben bereits gezeigt, dass es möglich ist, Wechselwirkungen in dieser Größenordnung zu entwerfen und vorherzusagen, und Void-X trägt zu diesem Vorhaben mit einer besonderen Strategie bei, bei der das Packen zuerst im Vordergrund steht.
Der Maskierungstrick, mit dem es funktioniert
Die Trainingsmethode von Void-X lehnt sich an das Sprachmodell-Playbook an. Indem sie etwa 30 % der Atome in jedem Trainingscluster maskierten und das Modell aufforderten, sie aus dem umgebenden Kontext abzuleiten, verwandelten die Forscher die Strukturbiologie in eine Lückenfüllaufgabe – dasselbe Prinzip, mit dem große Sprachmodelle fehlende Wörter in einem Satz vorhersagen können. Der Unterschied besteht darin, dass das „Vokabular“ von Void-X aus im dreidimensionalen Raum angeordneten Atomen besteht und die gelernte Grammatik die physikalischen Packungsregeln widerspiegelt, die bestimmen, wie sich echte Proteine falten und binden.
Dieses strukturbewusste Training unterscheidet Void-X von Ansätzen, die Proteine als flache Aminosäuresequenzen behandeln. Da das Modell gleichzeitig lokale und weitreichende Atomkopplungen berücksichtigt, kann es Grenzflächengeometrien vorschlagen, die die physikalischen Einschränkungen eines stabilen Komplexes berücksichtigen, anstatt plausibel aussehende, aber biologisch instabile Designs zu erzeugen.
Grenzen und offene Fragen
Die Ergebnisse sind vielversprechend, aber die Forscher sind sich darüber im Klaren, dass weiterhin Herausforderungen bestehen. Die Inter-Chain-Genauigkeit von 68,2 % – relevant für die Multiproteinkomplexe, die die meisten realen Wirkstoffziele definieren – ist deutlich niedriger als der Intra-Chain-Wert, was die größere Schwierigkeit widerspiegelt, zu modellieren, wie zwei separate Moleküle zusammenkommen. Auch der Entwurf einer Schnittstelle, die sich eng an ein Rechenmodell anpasst, ist nur der erste Schritt; Kandidaten müssen noch experimentell synthetisiert und validiert werden, und vorhergesagte Wechselwirkungen können in der chaotischeren Umgebung einer lebenden Zelle ins Stocken geraten.
Die nächsten Schritte dürften darin bestehen, die Trainingsdaten zu vergrößern, den Umgang des Modells mit flexiblen oder ungeordneten Proteinregionen zu verfeinern und Void-X mit komplementären Top-Down-Systemen zu integrieren. Die Autoren stellen ihren Beitrag eher als komplementäre als als Ersatztechnologie dar – eine physikalisch begründete Option, die mit vorhandenen Gerüsten kombiniert werden kann, während das Feld auf dem Weg zu einem zuverlässigen, durchgängigen molekularen Design ist.
Ein breiterer Trend
Die unter DOI 10.1073/pnas.2607035123 veröffentlichte Studie signalisiert, dass der Wettbewerb um die Entwicklung immer präziserer molekularer Designwerkzeuge mittlerweile in vollem Gange ist – und dass generative KI zu einem unverzichtbaren Bestandteil der Werkbank des Biochemikers wird. Da Modelle wie Void-X die Lücke zwischen Berechnung und Labor schließen, besteht die Hoffnung, dass Forscher neue Therapeutika, Enzyme und Materialien schneller und rationaler als je zuvor entwickeln können.
---
Bleib vorne bei KIDie neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.
Mehr KI-Nachrichten lesen →
