Designer-Proteine und Daten aus dem Labor: Wie KI die Forschung beschleunigt

Berlin, 15. Oktober 2026 – Ob neue Wirkstoffe, bessere Wettervorhersagen oder Enzyme nach Maß: Künstliche Intelligenz wird in der naturwissenschaftlichen Forschung immer häufiger zum Werkzeug – und verändert, welche Fragen sich überhaupt stellen lassen. Drei Beispiele aus den vergangenen Stunden zeigen, wie weit das reicht.

Proteine, die andere Proteine zerschneiden

Proteine sind Ketten aus Aminosäuren, zusammengehalten von sogenannten Peptidbindungen. Diese Bindungen sind extrem stabil – ihre Halbwertszeit wird auf mehrere hundert Jahre geschätzt. Dass Proteine in der Natur trotzdem nicht ewig halten, liegt an Enzymen: den Proteasen, die Peptidbindungen gezielt spalten.^[Ars Technica – Researchers use AI to design proteins that cut up other proteins – url: https://arstechnica.com/science/2026/10/researchers-use-ai-to-design-proteins-that-cut-up-other-proteins/]

Forscher um den Nobelpreisträger David Baker von der University of Washington haben diesen Evolutionsprozess nun abgekürzt. Mit KI-gestützten Protein-Designwerkzeugen nahmen sie den katalytischen Kern zweier Proteasen – einer Zink-Protease aus dem Verdauungstrakt eines Flusskrebses und einer Cystein-Protease aus Hefe – und ersetzten den übrigen Aufbau des Proteins durch einen neu berechneten. Zum Einsatz kam die Software RFdiffusion2, die ein passendes Rückgrat erzeugt.^[Ars Technica – Researchers use AI to design proteins that cut up other proteins – url: https://arstechnica.com/science/2026/10/researchers-use-ai-to-design-proteins-that-cut-up-other-proteins/]

Die so entstandenen Enzyme lassen sich darauf zuschneiden, bestimmte Proteine gezielt zu halbieren. Ihre Wirksamkeit wiesen die Forscher nach, indem sie Proteine zerschnitten, die mit neurologischen Erkrankungen in Verbindung stehen – ein Hinweis darauf, dass solche Designer-Enzyme künftig medizinisch genutzt werden könnten.^[Ars Technica – Researchers use AI to design proteins that cut up other proteins – url: https://arstechnica.com/science/2026/10/researchers-use-ai-to-design-proteins-that-cut-up-other-proteins/]

Daten aus dem Labor als Treibstoff für Agenten

Nicht nur die Moleküle selbst, auch die Daten darüber werden zur Ressource. Das Biotech-Unternehmen Leash Bio sammelt mit sogenannten DNA-Encoded Libraries (DELs) Interaktionsdaten zwischen Proteinen und kleinen Molekülen in großem Umfang. Wie Firmenvertreter Ian Quigley in einem Podcast schildert, dient dieser Datensatz inzwischen auch als Trainingsumgebung für KI-Agenten: Aus den Labordaten entstanden Zehntausende „Lab-in-the-Loop"-Simulationen, in denen Agenten wissenschaftliches Schlussfolgern üben können.^[Latent Space – Lab-in-the-Loop at Compute Speed — Ian Quigley, Leash Bio – url: https://www.latent.space/p/lab-in-the-loop-at-compute-speed]

Aufgefallen war dem Team zuvor ein grundlegendes Problem: Modelle konnten in öffentlichen Datenbanken wie ChEMBL die Aktivität einer Substanz teils allein daran erraten, wer sie hergestellt hatte – ein Hinweis darauf, wie anfällig KI für vermeintliche Muster ist.^[Latent Space – Lab-in-the-Loop at Compute Speed — Ian Quigley, Leash Bio – url: https://www.latent.space/p/lab-in-the-loop-at-compute-speed] Genau solche Fehler soll die neue Simulationsumgebung aufdecken, in der Agenten unter anderem in einfachem Englisch über Struktur-Wirkungs-Beziehungen reasoning.

Unwetter in 3-Kilometer-Auflösung

Ein drittes Beispiel stammt aus der Klimaforschung. Das Allen Institute for AI (Allen AI) hat mit HiRO-ACEv2 ein Modell vorgestellt, das extreme Wetterlagen in einer Auflösung von drei Kilometern simulieren kann – nach eigenen Angaben zu einem Bruchteil der üblichen Kosten.^[Hugging Face – HiRO-ACEv2: Simulating extreme weather at 3 km resolution for a fraction of the cost – url: https://huggingface.co/blog/allenai/hiro-acev2]

Die drei Beispiele weisen in dieselbe Richtung: KI wird nicht nur zum Rechenbeschleuniger, sondern verändert, welche Experimente und Analysen praktikabel sind. Zugleich wird deutlich, wie sehr der Fortschritt von sauberen, reproduzierbaren Daten abhängt – und davon, dass Forscher die Ergebnisse unabhängig überprüfen können.